플로우 모션 정책: 플로우 매칭 모델을 활용한 로봇 매니퓰레이터 운동 계획

Flow Motion Policy: Manipulator Motion Planning with Flow Matching Models

최근 로봇 매니퓰레이터의 운동 계획 성능을 향상시키기 위해, 센서 관찰값으로부터 직접 운동 계획을 수행하는 개방형 엔드-투-엔드 신경망 기반 계획 방법들이 제안되었습니다. 이러한 방법들은 계획 과정에서 별도의 충돌 검사기를 필요로 하지 않습니다. 그러나 기존 방법들은 대부분 주어진 작업 공간에 대해 여러 번 실행했을 때 단 하나의 경로만을 생성하며, 개방형 구조를 활용하여 추론 시간 최적화를 수행하지 못합니다. 이러한 한계를 극복하기 위해, 본 논문에서는 플로우 매칭 방법의 확률적 생성 방식을 활용하여 계획 데이터의 고유한 다중 모드를 학습하는 개방형 엔드-투-엔드 신경망 기반 운동 계획 방법인 '플로우 모션 정책(Flow Motion Policy)'을 제안합니다. 플로우 모션 정책은 가능한 경로에 대한 분포를 모델링하여 효율적인 추론 시간 내 최적의 $N$개 경로 샘플링을 가능하게 합니다. 이 방법은 여러 개의 엔드-투-엔드 후보 경로를 생성하고, 계획 후 각 경로의 충돌 여부를 평가하며, 가장 먼저 충돌이 없는 경로를 실행합니다. 플로우 모션 정책을 대표적인 샘플링 기반 방법 및 신경망 기반 운동 계획 방법과 비교 평가한 결과, 플로우 모션 정책은 계획 성공률과 효율성을 향상시키는 것으로 나타났습니다. 이는 엔드-투-엔드 운동 계획 및 추론 시간 최적화에 확률적 생성 정책이 효과적임을 보여줍니다. 실험 결과 영상은 다음 링크를 통해 확인할 수 있습니다: https://zh.engr.tamu.edu/wp-content/uploads/sites/310/2026/03/FMP-Website.mp4

Open-loop end-to-end neural motion planners have recently been proposed to improve motion planning for robotic manipulators. These methods enable planning directly from sensor observations without relying on a privileged collision checker during planning. However, many existing methods generate only a single path for a given workspace across different runs, and do not leverage their open-loop structure for inference-time optimization. To address this limitation, we introduce Flow Motion Policy, an open-loop, end-to-end neural motion planner for robotic manipulators that leverages the stochastic generative formulation of flow matching methods to capture the inherent multi-modality of planning datasets. By modeling a distribution over feasible paths, Flow Motion Policy enables efficient inference-time best-of-$N$ sampling. The method generates multiple end-to-end candidate paths, evaluates their collision status after planning, and executes the first collision-free solution. We benchmark the Flow Motion Policy against representative sampling-based and neural motion planning methods. Evaluation results demonstrate that Flow Motion Policy improves planning success and efficiency, highlighting the effectiveness of stochastic generative policies for end-to-end motion planning and inference-time optimization. Experimental evaluation videos are available via this \href{https://zh.engr.tamu.edu/wp-content/uploads/sites/310/2026/03/FMP-Website.mp4}{link}.