NoiseGate：将去噪进度转化为信息门控，打造更精准的世界动作模型

TL;DR

在机器人控制领域，世界动作模型（World Action Models, WAMs）通过同时构想未来画面和生成动作来提升决策能力。然而，通常这类模型会让所有“构想画面”共用同一个去噪进度（Timestep）。NoiseGate 打破了这一惯例，它赋予每一帧画面独立的“进度条”，并学习如何像调节阀门一样开关这些画面的信息流，从而在 RoboTwin 任务中刷新了性能上限。

痛点深挖：整齐划一的进度是一种“过度假设”

在传统的联合去噪框架（如 Motus 或 Fast-WAM）中，模型会并行地从噪声中恢复未来 $F$ 帧视频和当前的动作序列。目前主流做法是让所有 token 共享一个时间步 $t$。

但这存在一个逻辑盲区：并非所有的未来预测都同样可靠。 比如在“抓取”动作发生前，远期未来的预测往往充满不确定性。如果强迫模型在这个阶段就给动作生成提供完全清晰的远期特征，这些“不可靠的构想”反而会误导机器人产生错误的动作（例如提前松手或位置偏移）。

核心直觉：噪声等级 = 门控强度

作者提出了一个极具物理直觉的观点：在 Transformer 的 Mixture-of-Transformers (MoT) 架构中，动作 token 通过全局注意力机制读取视频 token。如果某一帧视频的噪声水平（Timestep）较高，由于噪声的随机性，它在注意力机制中贡献的信息就更“模糊”，起到了天然的**信息遮蔽（Masking）**作用。

通过为每一帧设定独立的时间步 $t_f$，NoiseGate 实际上是在每一轮去噪迭代中，动态地决定“先展示哪些成熟的构想给动作层看，遮住哪些还不确定的构想”。

方法论：三位一体的 NoiseGate 架构

1. 训练基座（Stage-1）：借鉴了 Diffusion Forcing 的思路，在训练阶段让每一帧随机抽取独立的时间步。这让模型在推理时即使面对高维度的异构噪声分布（即某些帧快，某些帧慢）也不会“出戏”。
2. 门控策略网络 (GPN)：这是一个轻量级的网络，它观察当前的观测图和已预测的潜在帧，输出每一帧的进度增量 $\Delta t_f$。
3. GRPO 强化学习优化：调度策略不使用传统的模仿学习，而是直接面向结果——通过 GRPO 算法，根据机器人是否最终成功完成任务来优化调度器。

实验与结果：非均匀进度的威力

在包含 50 个复杂任务的 RoboTwin 随机场景基准上，NoiseGate 展现了强大的统治力。

• 精度提升：在“挂杯子”、“放面包”等对精度要求极高的任务中，NoiseGate 表现出明显的优势。
• 消融分析：如上表所示，单纯通过独立噪声训练（Stage-1）只能达到 61.3% 的成功率，而加上 GPN 学习后的调度策略直接跃升至 67.5%（注：此为消融组数据对比）。

为什么有效？——任务感知的进度表

可视化分析揭示了 NoiseGate 的工作模式。在不同的任务中，GPN 学习到了完全不同的“进度表”。

如上图所示，在某些任务中，第一帧被迅速去噪以指导即时动作，而后续帧则保持较高的噪声水平。这种任务相关性证明了这种门控策略并非随机，而是捕获了任务背后的物理规律和不确定源。

深度洞察与总结

NoiseGate 的意义在于它重新定义了扩散投影在决策任务中的角色。它告诉我们：生成模型的采样权重不应该是预设的数学曲线（如余弦调度），而应该是一个能够感知环境实时反馈的“大脑组件”。

局限性：目前的 GRPO 训练依然依赖仿真环境的奖励反馈，在现实世界且奖励稀疏的任务中，如何高效训练这类调度策略仍是挑战。

展望：这一思路可以无缝迁移到自动驾驶（预测周围车辆轨迹）或多模态导航中。任何涉及到“预测未来并基于预测去行动”的架构，都值得引入这样一个智能的“进度调节阀”。