论文信息与阅读范围

  • 中文题目：FLUX：通过 Rectified Flow 与从静态到动态的学习加速跨具身生成式导航策略。
  • 作者：Zeying Gong、Yangyi Zhong、Yiyi Ding、Tianshuai Hu、Guoyang Zhao、Lingdong Kong、Rong Li、Jiadi You、Junwei Liang；前三位共同第一作者。
  • 版本：项目文件 2603.12806v1.pdf，arXiv:2603.12806v1，2026 年 3 月 13 日；当前作者主页标注 IROS 2026。
  • 研究类别：生成式导航、流匹配、在线强化学习、动态人群基准。
  • 证据范围：全文 §III–VII、公式 (1)–(13)、表 II–IV及图 5；本次核对官方方法和环境仓库入口，未运行实现。[1][2][3]

1. 论文解决什么问题

原文工作：FLUX 试图在同一个策略与评估体系下覆盖静态到达、图像目标、无目标探索，以及动态目标、人群穿行和动态探索。作者认为静态示范能够建立几何避障能力，却不足以覆盖动态人群中的恢复行为和近人距离要求；扩散模型能表达多条可行路径，但多步生成有延迟。其方案是以 NavDP 为初始化，将生成过程改为 Rectified Flow，再在人群环境中用强化学习后训练。[1，§I、IV]

论文还提出 DynBench：使用 Isaac Sim 中的场景、NavMesh 导航和层次化行为状态，补充现有静态导航协议。应把策略方法 FLUX与评估环境 DynBench分开：后者提供动态任务、行人行为和指标，前者利用这个环境采集在线经验。本文中的 FLUX 不是图像生成领域的同名模型。[1，§IV–V]

2. 六类任务与输入输出

原文任务定义：对目标类任务，作者写出

τ∗=arg⁡min⁡τ∈Tcgoal(τ,g)+βcsocial(τ,τ1:N),\tau^*=\arg\min_{\tau\in\mathcal T} c_{goal}(\tau,g)+\beta c_{social}(\tau,\tau_{1:N}),

其中 T\mathcal T 是无碰撞轨迹集合，τ1:N\tau_{1:N} 表示周围行人的轨迹，β\beta 决定是否显式考虑社会距离代价。探索类则最大化覆盖面积 E(τ)E(\tau)。这属于任务层的目标描述；部署网络没有逐次调用一个具有未来真实行人轨迹的全局最优求解器。[1，式 (1)–(2)；解释]

类别 任务 实际目标
静态 PointNav 到达固定二维坐标
静态 ImageNav 到达目标图像对应位置
静态 Exploration 无显式目标，扩大探索覆盖
动态 Dyn. PointNav 接近指定移动行人的实时位置
动态 SocialNav 穿过人群到固定目标，并控制近人距离
动态 Dyn. Exploration 在动态干扰下扩大覆盖

策略主体使用 8 帧 RGB 历史和当前深度，16 层 transformer decoder 从 NavDP 权重初始化，输出未来路点轨迹。随机噪声经流模型映射为多个候选，仍通过共享的轨迹评分头筛选，默认候选数 M=16M=16。因此“GRPO 不需要单独的价值网络”并不意味着整个系统完全没有 critic：用于轨迹选择的评分头与用于 RL 优势估计的状态价值网络是两个不同概念。[1，§IV、VI-A、图 2]

3. 第一阶段：Rectified Flow 模仿学习

3.1 学习的对象是动作轨迹空间中的输运速度

论文公式：对高斯噪声 τ0\tau_0、专家轨迹 τ1\tau_1，从 [0,1][0,1] 采样生成时间 ss，构造

τs=(1−s)τ0+sτ1,us=τ1−τ0,\tau_s=(1-s)\tau_0+s\tau_1, \qquad u_s=\tau_1-\tau_0,

LRF=Es,τ0,τ1∥vθ(s,τs,e)−(τ1−τ0)∥22,\mathcal L_{RF}=\mathbb E_{s,\tau_0,\tau_1} \left\|v_\theta(s,\tau_s,e)-\left(\tau_1-\tau_0\right)\right\|_2^2,

其中 e=fenc(X)e=f_{enc}(X) 为观测和任务条件。以上对应原式 (5)–(6)，这里只将生成时间改记为 ss，避免与机器人环境时间混淆。推理使用 Euler 积分：

τ(k+1)=τ(k)+1Kvθ(k/K,τ(k),e),k=0,…,K−1.\tau^{(k+1)}=\tau^{(k)}+ \frac1K v_\theta(k/K,\tau^{(k)},e),\quad k=0,\ldots,K-1.

模型每次输出整个路点序列的更新方向，并不直接预测机器人当前的物理线速度。生成时间 ss 也不是导航轨迹真实执行时间。所谓“直线”是噪声样本到专家轨迹样本之间的训练插值，不是要求机器人在地面上沿直线走。[1，式 (5)–(7)；机制解释]

3.2 为什么不能把“直线输运”理解成绝对保证

独立分析：每一对 (τ0,τ1)(\tau_0,\tau_1) 的条件目标速度恒定，但神经网络学习的是许多配对在相同 (s,τs,e)(s,\tau_s,e) 下的统计速度场。不同插值路径可能交叉，有限容量拟合也存在误差，因此学习后的无条件/条件边缘流积分轨迹不必处处为直线。论文实验支持在其模型和训练设置中减少采样步仍有效，但“所有 RF 必然具有完全直的生成轨迹”不是这里得到的定理。[1，§IV-B；独立分析]

随机初值提供多个候选模态，对窄口、绕障及僵局恢复有帮助；确定性 Euler 求解并没有消除整体策略的随机性。相反，若完全去掉噪声、直接回归平均轨迹，在多模态示范下可能得到不存在于专家分布中的折中路径。论文通过确定性回归基线检验了这一点，而不是通过理论证明所有确定性导航策略都无效。[1，表 III；独立分析]

3.3 训练资源的准确理解

作者在 Gibson 的 3,000 条轨迹子集上，以 AdamW、学习率 5×10−55\times10^{-5} 训练 30 个 epoch；第二阶段学习率为 5×10−65\times10^{-6}，所有实验声明使用单张 RTX 4090。该 3,000 条约占作者所述 NavDP 的约 56k 条数据子集的 5%，不能表述为完全从零训练只需要 NavDP 总成本的 5%：FLUX 已继承 NavDP 预训练权重，其原始训练数据和计算属于上游成本。[1，§VI-A；独立分析]

4. 第二阶段：动态环境中的 RL 后训练

4.1 奖励函数如何塑造行为

目标类任务的原式 (8) 为

rt=rgoal+α(Δd)(dt−1−dt)+rsocial+rterm.r_t=r_{goal}+\alpha(\Delta d)(d_{t-1}-d_t) +r_{social}+r_{term}.

成功奖励为 20；接近目标时进度权重为 5，远离时为 2；卡住罚 -2，超时罚 −0.5dt-0.5d_t。这使到达、持续推进和避免无效停滞受到鼓励。所谓非对称进度权重能减轻振荡，是作者的设计意图；是否在任意轨迹上减少振荡仍取决于完整奖励、折扣和约束。[1，§IV-C]

社会距离项对每位行人分段计算：距离小于 0.45 m 时罚 -0.5；0.45–1.2 m 内由 -0.1 线性变化到 0；更远不罚。这里的距离是制定奖励的代理量，不代表人类舒适度的完整模型，也没有编码眼神、手势、群体关系或不同文化下的礼让习惯。[1，式 (9)、§VII；独立分析]

动态探索使用位移奖励 4∥Δx∥4\|\Delta x\|，加上网格访问新颖性奖励。网格边长 0.5 m，同一 episode 内首次访问奖励因子 1、第二次 0.1、之后 0，权重为 2。按原式 (10) 直接计算，首次访问新格的奖励为 2，与 0.5 m 位移奖励相当；正文称“约等于 0.25 m 前进”与公式系数不一致，复现应核对实际实现。[1，式 (10)；公式核查]

4.2 优势估计与 GRPO 的具体差别

论文按完整 episode 计算

Gt=∑k=tTγk−trk,γ=0.99,G_t=\sum_{k=t}^{T}\gamma^{k-t}r_k,\qquad\gamma=0.99,

将同一 episode 内所有时刻的 GtG_t 做 Z-score 标准化，再裁剪到 [−3,3][-3,3]，将其直接作为优势 G^t\hat G_t，并在 episode 边界触发更新：

L=−Etmin⁡[ρtG^t,clip⁡(ρt,1−ϵ,1+ϵ)G^t].\mathcal L=-\mathbb E_t \min\big[\rho_t\hat G_t, \operatorname{clip}(\rho_t,1-\epsilon,1+\epsilon)\hat G_t\big].

这对应原式 (11)–(12)。原文前面把多个生成候选称为“自然的参考组”，但随后明确规定的是 episode 内按时间回报标准化，不能将它直接写成经典“相同状态采样多条完整轨迹，以组均值减去组回报”的公式。它是作者针对顺序决策所做的变体。[1，§IV-C]

复现证据边界：上传 PDF 未充分展开连续流轨迹的策略密度、重要性比率 ρt\rho_t 的精确计算、候选筛选与 RL 采样概率之间的对应关系。生成式 ODE 模型不是天然附带易计算的动作 log-probability，因而这部分是复现时必须检查代码的核心，而非只写出 PPO clipped objective 就已经规定完整算法。整 episode 回报也不会自动解决所有信用分配问题。[1，式 (12)；独立分析]

5. DynBench：场景、人群和终止条件

原文设置：训练使用 NavDP ClutterEnv 的 20 个非结构化场景、20,000 个 episode；评估使用 6 个高保真结构化场景、600 个 episode。SocialNav 设置 10–15 名行人；机器人速度上限 0.5 m/s，行人速度 1.1 m/s。速度不对称会提高提前避让的需要，也使“突然出现的行人”比同速场景更具挑战。[1，§V]

每名行人在三个空间路点之间沿三角路线持续活动。高层状态为 GoTo、Idle、LookAround，状态转移矩阵为

P=(00.50.50.600.40.70.30).P=\begin{pmatrix} 0&0.5&0.5\\ 0.6&0&0.4\\ 0.7&0.3&0 \end{pmatrix}.

全局路由使用 NavMesh 与 A*，局部使用几何避障。它比直线往返增加了朝向变化和暂停，但仍是人为定义的有限状态协议，不是从真实社会互动数据学习的意图模型。[1，§V-B；独立分析]

终止条件为：2 秒以上位移小于 0.1 m 视为卡住；超过 120 s 超时；目标类任务到目标 1 m 内成功。这些设置会影响公平性：静止礼让可能被算作卡住；1 m 到达阈值对追踪移动行人的要求明显不同于厘米级定位；如果任务在第一次物理接触时不终止，碰撞次数需与成功率一起解释。[1，§V-C；评估分析]

6. 实验结果与必须保留的核查说明

6.1 与 NavDP 的同表比较

指标 NavDP FLUX
静态 PointNav SR / SPL 77.8 / 74.8 80.9 / 78.6
静态探索 ET / EA 72.5 s / 167.2 m² 73.7 s / 172.8 m²
动态 PointNav SR / 成功路径长度 38.7% / 31.9 m 42.4% / 20.6 m
动态探索 ET / EA 43.6 s / 93.7 m² 55.1 s / 128.7 m²
SocialNav SR 59.3% 64.0%
SocialNav Coll. / SC 21 / 5.5% 16 / 4.4%
SocialNav MinDist 3.5 m 4.0 m

数值来自论文表 II。相较同一表中的 NavDP，FLUX 的主要收益集中在动态探索以及人群穿行。不能把这里 NavDP 的 77.8% 与 NavDP 原论文的 67.2% 直接比较成“模型自身提升”：它们来自不同论文的评估设置。[1，表 II]

指标名称与方向：论文把 SC 称为 Social Compliance，却定义为机器人进入 d<1.2 md<1.2\,\mathrm m 区域的时间比例，因此越低越好；官网改称 Safety Cost，更符合这一方向。Coll. 定义为 d<0.45 md<0.45\,\mathrm m 的近距离侵入次数，是碰撞风险代理，不是接触传感器测得的真实物理碰撞率。PDF 正文把 21→16 写成百分比，与指标定义的“每 episode 次数”不符。[1，§V-C、表 II][2]

表格核查：FLUX 的 ImageNav 报告 SR=44.0、SPL=44.4。若采用标准 SPL 且对同一批 episode 聚合，每个样本都有 SPL 贡献不大于成功指示，故总体应满足 SPL≤SR；此处需要作者或代码解释，不宜无保留引用 44.4 作为可靠结果。正文“所有指标均最优”也不被表 II 支持：DWA 的 Coll.=10 小于 FLUX 的 16；其他方法在部分 SC、MinDist、成功路径长度上也更优。因此较准确结论是：FLUX 在主要任务完成与覆盖指标上表现较强，同时改善了相对 NavDP 的社会距离指标。[1，表 II；独立核查，已查看原 PDF 表格]

6.2 消融结果

确定性回归基线的 PointNav SR 为 53.6%，DDPM 为 77.8%，CFM 为 78.9%，RF 为 80.4%，RF 加 RL 为 80.9%。在 SocialNav 中相应 SR 为 49.3%、59.3%、60.6%、62.8%、64.0%。RF 到 RL 后，动态探索面积从 106.4 增到 128.7 m²，SC 从 5.8% 降到 4.4%。这比笼统宣称“流一定优于扩散”更具体：在共享初始化、网络和训练流程中，RF 与动态后训练各有可测贡献。[1，表 III]

静态任务后训练收益只有部分百分点，缺少充分种子方差和置信区间时，应称“本实验观察到正迁移”，不能将“静态是动态的特例”作为任何动态 RL 必然改善静态导航的数学证明。改变数据分布也可能造成遗忘，需额外留出静态验证集监控。[1，表 III；独立分析]

6.3 推理效率和真实部署

表 IV 报告 NavDP 10 步 305.2 ms，FlowNav 10 步 408.6 ms，FLUX 10 步 244.9 ms，FLUX 6 步 216.5 ms。因此同为 10 步时，相对 NavDP 的延迟降低约 19.8%；使用 6 步时降低约 29.1%，相对 FlowNav 10 步降低约 47.0%。摘要的“47% / 29% per-step efficiency”不能严格理解为纯粹单次网络调用加速，因为最后两项比较还改变了总采样步数。[1，表 IV；计算核查]

真实部署涉及 Go2-W、Go2、G1，使用 RealSense D455，远程 RTX 4060 推理，包含走廊、办公室及大厅的静动态障碍演示。论文提供跨形态运行和轨迹可视化证据，但没有同规模真实机器人对照统计及置信区间；应与表 II 的仿真结果分别陈述。[1，§VI-C、图 4]

7. 创新、局限及对当前项目的价值

实质创新：把 NavDP 式视觉条件和候选筛选迁移到 RF 生成，并引入动态环境后训练；通过六任务评估观察静动态能力间的迁移；将规则化动态人群、速度约束和社会距离指标集成进 DynBench。其行人层没有使用 NavIsaacLab 的 AMP 全身控制，不能把两个平台的机制合并描述。[1，§IV–V]

作者承认的局限：没有显式解释非语言意图与隐含礼仪，场景以室内模拟行人为主，仍需真实社会互动数据和更多异构动态体。额外的复现风险包括策略概率定义、指标口径、表格一致性，以及“物理有效人群”主张是否由实际人体动力学和接触证据支持。[1，§VII；独立分析]

对 Isaac Sim benchmark 的建议：可复用六任务矩阵、动态目标和状态机作为一组可控测试；再增加人群行为生成器版本、行人是否主动让机器人、根轨迹与关节运动的区别、实际接触事件、个人空间侵入持续时间及礼让等待时间。将 NavDP、FLUX 与基于 RL 的导航放在相同感知、底盘速度和异步时序条件下比较，能减少结果受控制器和推理频率差异支配的程度。[1][3；独立建议]

复现应固定 FLUX 方法仓库与作者 IsaacLab 环境仓库的匹配提交；核验 RGB-D 历史、轨迹候选数 MM、Euler 步数 KK、目标跟踪频率和指标代码。官方项目当前分别提供方法与环境仓库，不应只克隆其中一个便假定完整动态环境、场景资产和权重已具备。本次未对这些代码进行运行验证。[2][3]

参考来源

[1] Gong et al. FLUX: Accelerating Cross-Embodiment Generative Navigation Policies via Rectified Flow and Static-to-Dynamic Learning，arXiv:2603.12806v1。项目 PDF 第 2–4 页（任务、流模型和 RL 公式），第 4–5 页（DynBench），第 6–8 页（结果、消融、效率、局限）。论文 · v1 PDF。

[2] 作者官方主页，2026-10-09 核查。项目主页。

[3] 作者提供的实现入口，2026-10-09 核查。方法仓库 Zeying-Gong/FLUX · 动态环境仓库 Zeying-Gong/IsaacLab。