数据源与状态仍在导航菜单中
arxiv.org·2026/10/21·Maojiang Su / Qijie Zhu 等
针对扩散与流策略动作似然不可解、难以直接用PPO和GRPO微调,提出DoobPO:先学轻量ratio网络表达策略改进,再用Doob h-transform将比例倾斜目标蒸馏到生成策略,训练只用条件漂移匹配,无需评估似然。它支持两类策略,派生DoobPPO、DoobGRPO等。理论上,条件漂移匹配与理想Doob漂移匹配梯度等价,所得过程为端点约束随机最优控制的最小能量修改。作者报告,在MuJoCo与Robomimic上:较DPPO、SDAC等扩散基线多数任务领先;较ReinFlow等流基线,DoobGRPO在10项任务中9项最佳,Walker2d提升738%;消融显示轻量ratio网络更稳。局限是连续生成、理论基于总体目标假设,未量化ratio误差。
为什么重要 为 diffusion/flow policy 的 RL 微调提供无需似然的统一框架,直接影响具身智能策略训练管线设计适合 做 diffusion/flow policy RL 微调、具身智能策略训练的工程师与研究者
扩散模型和流模型为机器人和序列决策系统提供了具有表达力的策略类别。然而,它们的动作似然通常难以处理,限制了广泛采用的策略优化方法(如 PPO 和 GRPO)的直接使用。我们提出 DoobPO,一个利用 Doob 的 h-transform 对生成策略进行无似然强化学习微调的框架。
DoobPO 将策略改进与生成策略学习分离。它首先学习一个轻量 ratio model 来表示期望的策略更新,然后通过 conditional drift matching 将由此产生的 ratio-tilted 目标策略蒸馏到生成策略中。这一公式统一适用于扩散策略和流策略,并支持广泛的策略改进规则,包括 PPO 和 GRPO。
我们证明实际的 conditional drift matching 目标与理想的 Doob drift matching 目标在梯度上等价。我们进一步表明,所诱导的扩散过程解决了一个端点约束随机最优控制问题。这确立了它能够实现所需策略倾斜所需的最小能量修改。在 MuJoCo 连续控制基准上,DoobPO 相对具有竞争力的扩散策略和流策略基线取得了强劲性能,展示了一条针对生成策略进行强化学习微调的原则性且实用的路线。
Diffusion and flow models provide expressive policy classes for robotic and sequential decision-making systems.
However, their action likelihoods are generally intractable, limiting the direct use of widely adopted policy optimization methods such as PPO and GRPO.
We propose Doob Policy Optimization (DoobPO), a framework that leverages Doob's h-transform for likelihood-free reinforcement learning fine-tuning of generative policies.
DoobPO separates policy improvement from generative policy learning.
It first learns a lightweight ratio model that represents the desired policy update, and then distills the resulting ratio-tilted target policy into the generative policy via conditional drift matching.
This formulation applies uniformly to both diffusion and flow policies and supports a broad family of policy improvement rules, including PPO and GRPO.
We prove that the practical conditional drift matching objective is gradient-equivalent to the ideal Doob drift matching objective.
We further show that the induced diffusion process solves an endpoint-constrained stochastic optimal control problem.
This establishes that it achieves the minimum-energy modification required to realize the desired policy tilt.
Across MuJoCo continuous-control benchmarks, DoobPO achieves strong performance against competitive diffusion- and flow-policy baselines, showing a principled and practical route to RL fine-tuning for generative policies.
注释 · 同一 5M 步预算、3 种子均值;Flow-SDE 几乎未学到有效策略出自 表 3
Walker2d
HalfCheetah
Swimmer
Hopper
Reacher
注释 · 官方报告,同为 5M 步预算下 3 种子均值对比出自 §4.3



EVIDENCE / METHODS
流程
先用轻量 ratio 网络 学策略改进信号,再用 条件漂移匹配 蒸馏进生成模型
当前策略在环境中 rollout,样本存入 1M 容量回放缓冲区
DoobPPO 用 GAE;DoobGRPO 用组内归一化 AiGRPO=std+ϵRi−mean
3×256 MLP 优化裁剪 RL 目标 JRL,附加正则项约束 E[rβ]=1
以 rβ 加权,将改进信号写入扩散/流模型的漂移或速度场
更新后的生成模型直接用于下一轮交互,无需评估似然
注释 · 避免对 diffusion/flow 策略做似然评估,ratio 网络与生成网络解耦训练出自 §3.1–3.2
原版排版与图表 · 手机无法内嵌时可在浏览器打开。PDF 插件内选文不能传给网页助手。