扩散轨迹模型可以生成合理的未来轨迹，但要将轨迹分布转化为可用于安全决策的信号，通常需要缓慢地反复采样。SCOPE 通过学习扩散模型得分曲率对应的结构化精度矩阵，为机器人快速估计轨迹在每个时间步的不确定性，并在多项仿真任务和真实机械臂上将该估计用于规划与控制。
目录
研究人员构建了什么？
SCOPE（在线精度估计的得分曲率）是一种模块，可为轨迹扩散模型提供快速估计，判断其预测有多大不确定性。扩散模型会根据智能体历史、场景几何信息、机器人的起点与目标点或任务信息等上下文，生成多种可能的未来路径。SCOPE 获取一条生成的路径，并估计路径各点附近的未来轨迹可能有多大变化。
输出结果是预测轨迹周围的局部“不确定性管”。与针对整条路径给出单一置信度分数不同，这种估计能够体现某些时刻或方向比其他时刻或方向更不确定。例如，行人预测路径可能在到达拥挤路口前都很明确；机器人的路径也可能贴近障碍物经过。
该模块使用结构化精度矩阵表示这种不确定性。精度是协方差的逆矩阵，用于描述可能的轨迹聚集在预测结果周围的紧密程度。SCOPE 的分块带状加低秩结构旨在捕捉跨时间的关联，同时避免存储或处理稠密矩阵。该方法旨在用于控制，无需反复采样大量完整轨迹来估计其分布范围。
SCOPE 取得了哪些成果？
研究人员在轨迹预测、行人导航、Maze2D 控制和真实机器人操作任务中评估了 SCOPE。他们报告称，与基于采样的替代方法相比，该不确定性估计支持更快的推理速度，并且在闭环规划中的表现优于强基线方法。闭环表现之所以重要，是因为机器人会不断观察、预测并采取行动；有用的估计必须及时给出，才能影响下一步动作。
论文还将 SCOPE 与使用负对数似然直接训练的精度预测头进行了比较。在行人导航中，两种方法在人群最稀疏的场景下表现相当，但随着人群密度增加，直接使用 NLL 训练的方法成功率下降更多。论文中的示例显示，在复杂的交互场景中，直接使用 NLL 训练可能产生过宽的不确定性管；而 SCOPE 的估计范围更局部，并会随不同轨迹及同一路径上的位置而变化。
所提供的论文文本未包含数值基准分数、成功率百分比或推理耗时，因此本文不列出这些数据。文中介绍了不确定性质量、MPPI 轨迹展开效率、下游控制，以及真实机械臂操作方面的测试。
SCOPE 如何估计轨迹不确定性？
扩散模型通过逐步将噪声转化为合理的未来轨迹来学习生成轨迹，并以输入信息作为条件。模型学习到的得分函数用于估计候选轨迹变化时，其概率如何变化。得分函数能够提供模型局部概率分布的信息，但若要直接将这些信息转化为完整的协方差估计，计算成本会很高。
SCOPE 利用该概率分布的曲率。简单来说，曲率描述轨迹沿特定方向微调时，得分函数变化得有多快。终端对数密度的负 Hessian 矩阵（由二阶导数组成的矩阵）可作为局部精度信号：它表明在模型预测附近，对预测轨迹作出哪些改变可能性较高，哪些可能性较低。
SCOPE 不会计算并存储稠密 Hessian 矩阵，而是训练一个小型不确定性模块，使其针对选定方向复现有用的响应。训练过程使用 Hessian-向量积（HVPs），衡量曲率如何作用于某个向量，而无需构造完整矩阵。基于 Hutchinson 方法的随机探测恒等式，有助于根据这些响应构建训练信号。测试时，该模块会预测一个结构化精度矩阵，其逆矩阵可提供规划所需的协方差信息。
分块带状部分捕捉相邻时间步之间的局部关系；低秩部分则表示轨迹范围更广的依赖关系。这种结构使估计结果保持紧凑，并能高效查询边际协方差，也就是特定时间步或轨迹部分对应的不确定性。在基于采样的控制器 MPPI 中，这些信息有助于评估候选轨迹展开并考虑风险，无需在每次控制更新时都生成大量新的扩散样本。
这对机器人技术为何重要？
周围环境可能变化时，机器人需要的不只是最有可能出现的路径。如果行人的预测运动存在多种可能，规划器就需要知道不确定性集中在哪里，才能决定是绕行、礼让，还是留出更大空间。SCOPE 旨在让规划过程能够足够快速地获取这类信息，而不是等到耗费大量计算生成一批预测后才描述不确定性。
同样的思路也适用于行人导航以外的场景。在受限操作任务中，关于附近运动的不确定性可以帮助机器人判断绕过目标物体或人的手时应当多谨慎。论文在桌面货架环境中测试了该方法，使用一台 7-degree-of-freedom Franka Panda 机械臂、一个夹爪、固定障碍物，以及通过网络摄像头观测的人手。这将轨迹不确定性与一个实际问题联系起来：机器人能否在杂乱环境和动态活动中完成规划。
对于正在评估设施内自主移动能力的运营团队，这项工作凸显了同时考虑预测能力与风险感知控制的重要性。读者可以浏览仓储机器人，了解在实际运营环境中使用的平台。SCOPE 本身是一种规划方法，而非成套安全系统：实际部署仍取决于机器人、传感器，以及控制器如何使用不确定性估计。
有哪些局限和待解问题？
SCOPE 依赖其所基于的扩散模型。如果该模型学到的轨迹质量较差、训练数据未覆盖某种情境，或无法表示不同的可能模式，那么模型曲率产生的不确定性管可能无法反映现实情况。该方法估计的是模型预测结果周围的变化范围，并不能保证预测涵盖实际会发生的未来情形。
已报告的实验使用了维度相对较低的状态和几何信息作为输入。将该方法扩展至原始图像或点云仍是开放的研究方向，在更广泛的环境和感知条件下进行测试也是如此。此外，所提供的结果未列出数值耗时或详细基准分数，因此仅凭提取的文本很难独立评估速度提升和控制性能增益的幅度。实际部署时，需要在各自的运行条件下验证不确定性校准效果及安全表现。
读者常问 SCOPE 哪些问题？
SCOPE 解决什么问题？ 它估计扩散模型预测轨迹的不确定性，让规划器能够利用这些信息，而无需反复生成大量轨迹。
SCOPE 会取代扩散轨迹模型吗？ 不会。它为扩散模型增加了一个不确定性模块，并依赖该模型提供有用的轨迹预测和得分信息。
这里的“高斯管”是什么意思？ 这是对预测路径周围可能变化范围的紧凑描述，不确定性会随时间步和方向而变化。
SCOPE 是否在实体机器人上进行过测试？ 是。报告中的真实机器人测试使用 Franka Panda 机械臂，在受限的桌面货架环境中移动目标物体。
核心结论是什么？
SCOPE 将扩散模型得分中已有的信息转化为结构化、可用于控制的轨迹不确定性估计。结果表明，这种方法有望让不确定性更适用于快速规划；不过，校准和更广泛的真实环境验证仍是重要的后续工作。
快速估计轨迹不确定性，能在你的机器人运行环境中带来哪些最大改变？