💻 computer science

Flowing With Purpose: Latent Action Guided Flow Matching Policies For Robotic Manipulation

Dieses Paper stellt Latent Action Guided Flow Matching (LAFM) vor, ein neuartiges Framework für die robotische Manipulation, das die feste Gaußsche Priorverteilung durch eine adaptive Bibliothek gelernter Verteilungen ersetzt, die durch ein latentes Aktionsmodell fundiert sind, um strukturelle Diskrepanzen in Aktionsräumen zu adressieren und dadurch die Trainingseffizienz sowie die Erfolgsraten bei Aufgaben im Vergleich zu Standard-Flow-Matching und großen vortrainierten Modellen signifikant zu verbessern.

Ursprüngliche Autoren: Bruno Machado, Alexandre Chapin, Emmanuel Dellandrea, Liming Chen

Veröffentlicht 2026-06-23

📖 4 Min. Lesezeit☕ Kaffeepausen-Lektüre

CC BY 4.0

Ursprüngliche Autoren: Bruno Machado, Alexandre Chapin, Emmanuel Dellandrea, Liming Chen

Originalarbeit lizenziert unter CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). ✨ Dies ist eine KI-generierte Erklärung des untenstehenden Papers. Sie wurde nicht von den Autoren verfasst oder gebilligt. Für technische Genauigkeit konsultieren Sie das Originalpaper. Vollständigen Haftungsausschluss lesen

Stellen Sie sich vor, Sie bringen einem Roboterarm bei, komplexe Aufgaben auszuführen, wie das Stapeln von Schüsseln oder das Öffnen einer Schublade. Um dies zu tun, muss der Roboter eine „Policy“ lernen – eine Regel, die ihm sagt, wie er seinen Arm von seinem aktuellen Standort zu dem Ort bewegen muss, an dem er sein Ziel erreichen soll.

In den letzten Jahren war die beste Methode, um Roboter dies beizubringen, eine Methode namens Flow Matching. Stellen Sie sich Flow Matching wie ein Navigationssystem vor. Der Roboter startet an einem „Rausch“-Ort (einem zufälligen, ungeordneten Chaos potenzieller Bewegungen) und muss zu einem „Ziel“-Ort (einer perfekten, fließenden Bewegung, um die Aufgabe abzuschließen) fahren. Die KI lernt die „Straße“ (das Vektorfeld), die das Rauschen mit dem Ziel verbindet.

Das Problem: Eine Größe passt nicht für alle

Das aktuelle Standard-GPS (Standard-Flow-Matching) hat einen großen Fehler: Es geht davon aus, dass jede einzelne Fahrt exakt vom selben zufälligen Ort aus startet.

Stellen Sie sich vor, Sie sind ein Taxifahrer. Manchmal müssen Sie zu einer ruhigen Bibliothek fahren (eine sehr spezifische, präzise Bewegung). Ein anderes Mal müssen Sie zu einem chaotischen Musikfestival fahren (eine breite, vielfältige Bewegung).

Der alte Weg: Das GPS zwingt Sie, jede einzelne Fahrt von exakt demselben zufälligen Parkplatz mitten in der Wüste aus zu starten, egal ob Sie zu der Bibliothek oder zum Festival fahren müssen. Sie müssen erst einmal quer durch die Wüste fahren, um zum richtigen Startpunkt für Ihre spezifische Reise zu gelangen. Dies macht die Straßen (den Lernpfad der KI) unglaublich verschlungen, verwirrend und ineffizient.
Die Realität: Robotik-Aufgaben sind „heteroskedastisch“. Das ist ein schickes Wort dafür, dass einige Aufgaben sehr vorhersehbar sind (geringe Varianz), während andere wild und vielfältig sind (hohe Varianz). Ein einziger Startpunkt kann beides nicht gleichermaßen gut handhaben.

Die Lösung: LAFM (Latent Action Guided Flow Matching)

Die Autoren dieses Papers führen LAFM ein, das wie ein intelligenter Disponent für Ihre Taxi-Flotte fungiert.

Anstatt jede Fahrt vom exakt gleichen zufälligen Wüstenort aus zu starten, nutzt LAFM ein Latent Action Model (LAM). Betrachten Sie das LAM als einen „Bewegungs-Bibliothekar“.

Der Bibliothekar: Bevor der Roboter überhaupt mit der Bewegung beginnt, betrachtet das LAM die aktuelle Szene und fragt: „Um welche Art von Bewegung handelt es sich hierbei?“ Ist es eine feine „Aufheb“-Bewegung? Eine „Druck“-Bewegung? Eine „Stapel“-Bewegung?
Die Bibliothek: Das LAM besitzt eine Bibliothek mit verschiedenen „Startzonen“ (Prior-Verteilungen). Jede Zone ist auf eine bestimmte Art von Bewegung spezialisiert.
Der Abgleich: Wenn der Roboter eine feine „Aufheb“-Bewegung ausführen muss, schickt das LAM ihn in eine Startzone direkt neben der Bibliothek. Wenn er einen wilden „Tanz“ vollführen muss, schickt es ihn in eine Startzone in der Nähe des Festivals.

Indem das LAFM die Reise des Roboters von einem „intelligenten“ Startpunkt aus beginnt, der zur Aufgabe passt, muss der Roboter nicht quer durch die Wüste fahren. Der Pfad wird kürzer, gerader und viel weniger verschlungen.

Wie sie bewiesen haben, dass es funktioniert

Die Forscher testeten dieses neue „Smart Dispatcher“-System auf zwei Arten:

Echte Roboter: Sie verwendeten einen echten Roboterarm (einen Franka Emika Panda), um vier Aufgaben zu erledigen: Teller in einen Abtropfkorb zu legen, eine Schublade mit einem Schraubendreher zu öffnen, Dosen wegzuwerfen und Schüsseln zu stapeln.
- Das Ergebnis: Die neue Methode (LAFM) war 23,4 % erfolgreicher als die alte Standardmethode. Sie war auch besser als ein massives, vortrainiertes KI-Modell namens $\pi_0$ , das 30 Mal mehr Parameter (Speicher) besitzt, obwohl LAFM viel kleiner ist.
Simulierte Benchmarks (LIBERO): Sie testeten den Roboter in einer komplexen Videospiel-Simulation mit 90 verschiedenen Aufgaben.
- Das Ergebnis: LAFM erreichte eine 10,4 % höhere Erfolgsquote als die Standardmethode. Es schlug fast alle anderen Top-Roboter-KIs, einschließlich jener, die auf riesigen Datensätzen vortrainiert wurden.

Die wichtigste Erkenntnis

Das Paper behauptet, dass man, indem man einfach ändert, wo der Roboter seine Lernreise beginnt (von einem einzigen zufälligen Punkt zu einer Bibliothek smarter Startpunkte), den Roboter schneller lernen lässt, er sich flüssiger bewegt und Aufgaben viel häufiger erfolgreich abschließt.

Sie haben nicht nur ein wenig zusätzliches Training hinzugefügt; sie haben die Geometrie des Lernprozesses grundlegend verändert. Der Roboter muss keinen unordentlichen Knoten aus Möglichkeiten mehr entwirren; ihm wird ein bereits vorsortierter Pfad übergeben, der genau zu dem spezifischen Job passt, den er erledigen soll.

Kurz gesagt: LAFM verhindert, dass der Roboter raten muss, wo er anfangen soll. Es gibt dem Roboter einen „Vorsprung“ basierend auf dem, was er sieht, wodurch das Lernen von Bewegungen viel effizienter und erfolgreicher wird.

Technisches Resümee: Latent Action Guided Flow Matching (LAFM)

Problemstellung

Flow Matching hat sich als führendes Paradigma für die Robotermanipulation etabliert, da es im Vergleich zu diffusionsbasierten Policies eine schnellere Inferenz und eine stabilere Optimierung bietet, indem es ein kontinuierliches Transportfeld von einer Quellverteilung zu einer Ziel-Aktionsverteilung lernt. Dennoch leiden aktuelle State-of-the-Art Flow-Matching-Policies unter einem systematischen strukturellen Missverhältnis. Sie verlassen sich auf eine global fixierte, isotrope Gaußsche Quellverteilung ( $N(0, I)$ ), die nicht in der Lage ist, die stark fragmentierte und heteroskedastische Natur robotergestützter Aktionsräume zu berücksichtigen.

In der Robotermanipulation können identische visuelle Beobachtungen mit mehreren gültigen motorischen Zukünften korrespondieren (z. B. unterschiedliche Greifstrategien oder Interaktionsabsichten). Das Erzwingen einer einzigen, unstrukturierten Quelle zur Verbindung mit diesen scharf getrennten Aktionsmodi führt zu hochgradig verschlungenen Vektorfeldern. Dies zwingt das Modell dazu, komplexe Transportpfade zu erlernen, bei denen benachbarte Rauschproben zu weit entfernten Zielen evolvieren müssen, was die Trainingseffizienz bremst und die Performance der Policy limitiert. Darüber hinaus kann eine einzige feste Prior-Verteilung keine modusabhängige Unsicherheit erfassen, was implizit eine homogene Varianz über fundamental unterschiedliche Bewegungsregime hinweg erzwingt.

Methodik: Latent Action Guided Flow Matching (LAFM)

LAFM adressiert diese Einschränkungen, indem die monolithische Gaußsche Prior-Verteilung durch eine adaptive Bibliothek gelernter Prior-Verteilungen ersetzt wird, die durch ein Latent Action Model (LAM) fundiert ist.

Kernarchitektur

Das Framework besteht aus drei primären Komponenten:

Latent Action Model (LAM): Dieses ist darauf vortrainiert, die zeitliche Dynamik zwischen Beobachtungen ( $o_t, o_{t+T}$ ) in einen diskreten latenten Raum $C = \{1, \dots, C\}$ zu komprimieren. Dies liefert eine Repräsentation von hochgradigen Bewegungsprimitiven anstelle von instantanen Kontrollen.
Policy Encoder: Prädiziert eine kategorische Verteilung über latente Aktionen ( $\pi_k(o_t)$ ) direkt aus den aktuellen Beobachtungen. Diese Vorhersage dient als strukturelle Bias, um auszuwählen, welche Prior-Verteilung verwendet werden soll.
Flow Matching Decoder: Anstatt Rauschen aus einer einzelnen globalen Gaußschen Verteilung zu sampeln, sampelt der Decoder aus einer spezifischen Prior-Verteilung $N(\mu_k, \Sigma_k)$ , die durch den vom Encoder vorhergesagten latenten Aktionsindex $k$ ausgewählt wurde.

Trainingsziel

Der Trainingsprozess minimiert eine zusammengesetzte Verlustfunktion (Gleichung 5), bestehend aus:

Adaptive Flow Matching Loss ( $L_{AFM}$ ): Das Netzwerk regrediert das Denoising-Vektorfeld $u_\theta(A^\tau_t | A_t) = A_t - \epsilon_k$ , wobei $\epsilon_k$ aus der ausgewählten, latent-konditionierten Prior-Verteilung gesampelt wird.
Latent Action Classification Loss ( $L_{CCE}$ ): Ein kategorischer Cross-Entropy-Verlust, der sicherstellt, dass der Encoder den latenten Aktionsindex, der der Ground-Truth-Bewegungsprimitive entspricht, korrekt vorhersagt.
KL-Divergenz-Regularisierung ( $R_{KL}$ ): Ein zusätzlicher Verlust, der die Divergenz zwischen den gelernten Prioren und einer Standardnormalverteilung bestraft. Dies verhindert eine Über-Spezialisierung und gewährleistet die Trainingsstabilität, insbesondere bei unterrepräsentierten Bewegungsprimitiven.

Theoretische Begründung

Die Autoren formalisieren die Intuition, dass die Strukturierung der Quellverteilung die Transportlast reduziert. Proposition 1 zeigt auf, dass, falls die Prioren mit den distinkten Modi der bedingten Aktionsverteilung übereinstimmen, der erwartete quadratische Transportabstand ( $E||A_t - \epsilon_k||^2$ ) strikt kleiner oder gleich dem einer einzelnen isotropen Prior-Verteilung ist, unter der Annahme einer perfekten Modus-Kopplung. Dies resultiert in kürzeren, weniger verschlungenen Transporttrajektorien.

Wichtigste Beiträge

Neuartige Formulierung: Einführung von LAFM, einem bedingten Flow-Matching-Framework, bei dem die Quellverteilung dynamisch aus einer Bibliothek lernbarer Prioren ausgewählt wird, die durch latente Bewegungen indiziert sind, anstatt fix zu sein.
Strukturelle Induktive Bias: Ein Mechanismus, um diese Prioren mittels eines LAM zu fundieren, wodurch latente Aktionen von einem reinen Pretraining-Signal zu einer direkten strukturellen Bias auf die Geometrie des Transportprozesses transformiert werden.
Empirische Überlegenheit: Demonstration, dass die Strukturierung der Quellverteilung die Kontrollperformance sowohl in Simulationen als auch in realen Umgebungen signifikant verbessert und Standard-Flow-Matching sowie größere Vision-Language-Action (VLA) Modelle übertrifft.

Experimentelle Ergebnisse

Die Autoren evaluierten LAFM in realen Roboter-Einsätzen und den LIBERO-Simulations-Benchmarks.

Reale Experimente

Evaluierung auf einem Franka Emika Panda Arm bei vier Manipulationsaufgaben (Tellerstapeln, Schubladenmanipulation, Dosenentsorgung, Schüsselstapeln):

Erfolgsrate: LAFM erreichte eine durchschnittliche Erfolgsrate von 86,7 % und übertraf damit die Standard-Flow-Matching-Baseline (FM) (63,3 %) um 23,4 % sowie die große vortrainierte VLA $\pi_0$ (71,7 %) um 15,0 %.
Completion Score: LAFM verbesserte den kontinuierlichen Completion Score um 18,9 % gegenüber FM und um 11,0 % gegenüber $\pi_0$ .
Effizienz: LAFM (0,11 Mrd. Parameter) übertraf $\pi_0$ (3,3 Mrd. Parameter) trotz signifikant weniger Parametern und ohne groß angelegtes Pretraining.

Simulations-Benchmarks (LIBERO)

LIBERO-10 (Spatial, Object, Goal, Long): LAFM erreichte eine State-of-the-Art durchschnittliche Erfolgsrate von 96,5 % und übertraf damit die Standard-FM-Baseline (95,4 %) sowie andere große VLAs wie UniVLA (95,2 %) geringfügig.
LIBERO-90: In dieser komplexeren Suite von 90 Aufgaben erreichte LAFM eine Erfolgsrate von 93,0 %, was einen absoluten Gewinn von 10,4 % gegenüber der Standard-FM-Baseline (82,6 %) darstellt und alle anderen Baselines, einschließlich $\pi_0$ (92,1 %), übertrifft.

Ablationsstudien

Ein Vergleich von LAFM mit „FM + LAC“ (Flow Matching mit Latent Action Conditioning, wobei latente Aktionen als Input gegeben werden, aber das Rauschen dennoch aus einer einzelnen Gaußschen Verteilung gesampelt wird) zeigte, dass zwar zusätzliche Supervision hilft, die strukturierten Prioren selbst jedoch der primäre Treiber für die Leistungssteigerungen sind.

Bedeutung und Ansprüche

Das Paper behauptet, dass LAFM ein robustes, effizientes und skalierbares Paradigma für die Robotermanipulation etabliert, indem es die strukturellen Ineffizienzen des Standard-Flow-Matchings adressiert. Durch die Abstimmung der Initialisierung des Denoising-Prozesses mit groben Bewegungsabsichten via latenter Aktionen erreicht die Methode:

Entwirrung der Vektorfelder, was die Lernaufgabe erleichtert und die Stichproben-Effizienz erhöht.
Berücksichtigung von Heteroskedastizität in menschlichen Demonstrationen, was es dem Modell ermöglicht, die Varianz basierend auf der Bewegungsprimitive anzupassen.
Erreichung von State-of-the-Art-Ergebnissen mit signifikant kleineren Architekturen als massive vortrainierte VLAs, was darauf hindeutet, dass strukturelle Verbesserungen im generativen Modellieren größere Leistungssteigerungen erzielen können als eine bloße Skalierung der Modellgröße.

Die Autoren merken an, dass die Methode zwar hocheffektiv ist, zukünftige Arbeiten jedoch notwendig sind, um das LAM zu verfeinern, damit es die Roboterkinematik besser von extrinsischen visuellen Dynamiken (z. B. Kamerabewegungen) isoliert und um Multi-Prior-Flow-Matching direkt in groß angelegte VLA-Pretraining-Pipelines zu integrieren.