💻 computer science

SUREFlow: State-space Uncertainty-aware REsidual Flow Matching for Robust Robot Manipulation

SUREFlow ist ein auf einem Mamba-Backbone basierendes, zustandsraum-basiertes, unsicherheitsbewusstes Residual-Flow-Matching-Framework, das gemeinsam Aktionsgeschwindigkeiten und eingabebedingte Unsicherheit vorhersagt, um eine selektive Verfeinerung unzuverlässiger Aktionen zu ermöglichen und eine robuste Robotermanipulationsleistung zu erreichen, die mit großen Vision-Language-Action-Modellen vergleichbar ist, während es signifikant weniger Parameter verwendet.

Ursprüngliche Autoren: Md Tanvir Islam, Sai Navaneet Peddapalli, Sangmoon Lee, Sangtae Ahn

Veröffentlicht 2026-07-14

📖 5 Min. Lesezeit🧠 Tiefgang

CC BY 4.0

Ursprüngliche Autoren: Md Tanvir Islam, Sai Navaneet Peddapalli, Sangmoon Lee, Sangtae Ahn

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 Roboter das Jonglieren bei, aber anstatt Bälle zu werfen, muss er seinen Arm bewegen, um Becher aufzuheben und zu stapeln. Die meisten Robotergehirne von heute arbeiten wie ein Schüler, der einen einzigen Pfad zur Antwort auswendig lernt. Wenn der Schüler über einen winzigen Kieselstein stolpert (ein wenig Rauschen oder eine ungewöhnliche Startposition), gerät in Panik, gerät ins Straucheln und das gesamte Jonglierstück bricht zusammen. Das liegt daran, dass sich kleine Fehler in ihren Geschwindigkeitsvorhersagen aufhäufen, wie ein Schneeball, der einen Hügel hinunterrollt, bis der Roboter am Ende etwas völlig Falsches tut.

Hier kommt SUREFlow ins Spiel, ein neues Robotergehirn, das weniger wie ein Auswendiglernender und mehr wie ein vorsichtiger, selbstkontrollierender Navigator agiert.

Das Problem: Der „Schneeball“-Effekt

Das Paper argumentiert, dass aktuelle Roboter-Policies, insbesondere jene, die „generative“ Methoden verwenden (wie Diffusion oder Flow Matching), oft davon ausgehen, dass ihre Fehler überall gleich groß sind. Es ist wie ein Autofahrer, der glaubt, er könne eine Abzweigung gleichermaßen um einen Zoll oder um eine Meile verpassen. In der Realität sind einige Teile einer Aufgabe knifflig und unsicher, während andere einfach sind. Wenn diese Roboter lange Sequenzen von Bewegungen ohne Selbstkontrolle durchführen, häufen sich diese winzigen Geschwindigkeitsfehler an, was zu einem Absturz führt. Die Autoren schließen explizit die Idee aus, dass es allein der Weg ist, das Robotergehirn größer zu machen (durch massive „Milliarden-Parameter“-Modelle), um dies zu beheben; sie zeigen, dass ein kleineres, klügeres Gehirn genauso gut abschneiden kann.

Die Lösung: Ein „selbstkorrigierendes“ GPS

Die Autoren schlagen SUREFlow vor, was für State-space Uncertainty-aware REsidual Flow Matching steht. Das ist ein Zungenbrecher, also brechen wir es mit einer Analogie herunter.

Stellen Sie sich vor, der Roboter fährt ein Auto auf einer nebligen Straße.

Das Mamba-Backbone: Anstatt einen riesigen, schweren Motor zu verwenden (wie ein massives Transformer-Modell, das ewig viel Rechenzeit benötigt), nutzt SUREFlow einen leichten, effizienten Motor namens Mamba. Es ist wie ein wendiges Sportauto, das durch lange Strecken sausen kann, ohne müde zu werden.
Das Flow Matching: Der Roboter errät nicht einfach das Endziel. Er lernt ein „Geschwindigkeitsfeld“, das wie eine Karte von Windströmungen ist, die ein Boot von einem Startpunkt (zufälliges Rauschen) zur Ziellinie (der korrekten Aktion) drückt.
Die Geheimzutat (SURE): Hier liegt die Magie. SUREFlow drückt nicht nur das Boot; es trägt auch einen Unsicherheitdetektor mit sich. Es fragt sich ständig: „Wie sicher bin ich mir bei diesem spezifischen Teil der Bewegung?“
- Wenn der Roboter zuversichtlich ist (geringe Unsicherheit), gleitet er einfach weiter.
- Wenn der Roboter unsicher ist (hohe Unsicherheit), tritt er auf die Bremse und nimmt eine winzige, präzise Korrektur vor, bevor er den Arm überhaupt bewegt.

Dies wird als Uncertainty-aware Residual Flow (URFlow) bezeichnet. Es ist wie ein Co-Pilot, der flüstert: „Hey, diese Kurve sieht rutschig aus, lass uns das Lenkrad ein kleines Stück anpassen“, ohne dafür die Hilfe eines Menschen zu benötigen. Dies geschieht vollständig innerhalb des Robotergehirns, ohne dass die reale Welt berührt werden muss, um zu prüfen, ob es richtig ist.

Die Ergebnisse: Kleines Gehirn, große Siege

Die Forscher testeten dies in einer virtuellen Welt namens LIBERO und Meta-World.

Die Punktzahl: SUREFlow erreichte eine Erfolgsquote von 92,5 % in den LIBERO-Tests. Das ist ein riesiger Sprung und übertrifft den bisherigen besten Mamba-basierten Roboter (MaIL) um 34,2 %.
Die Größe: Das Beste daran? SUREFlow hat nur 179 Millionen Parameter. Um das in Perspektive zu setzen: Andere Top-Roboter (wie OpenVLA) benötigen 3 bis 7 Milliarden Parameter, um ähnliche Ergebnisse zu erzielen. SUREFlow ist wie ein Kompaktwagen, der die gleiche Kilometerleistung wie ein riesiger Lkw erzielt.
Die reale Welt: Sie haben es auch an einem echten Roboterarm (einem Franka Emika) mit einer Kamera getestet. Der Roboter musste Becher bestimmter Farben aufheben und stapeln. SUREFlow war in 88,5 % der Fälle erfolgreich, was beweist, dass es kein reiner Videospiel-Trick ist.

Was sie nicht getan haben (und warum es wichtig ist)

Das Paper ist sehr vorsichtig mit dem, was es nicht behauptet.

Es behauptet nicht, dass größere Modelle nutzlos sind; es zeigt lediglich, dass für diese spezielle Art von langen, schwierigen Aufgaben das „Bewusstsein für Unsicherheit“ wichtiger ist als bloße „Größe“.
Es sagt nicht, dass der Roboter perfekt ist. Die Erfolgsquoten (wie 49 % beim schwierigeren LIBERO-PRO Test) zeigen, dass es noch Raum für Verbesserungen gibt, aber es ist ein massiver Schritt nach vorn für ein so kleines Modell.
Es argumentiert explizit gegen die Vorstellung, dass man auf riesige, teure Backbones angewiesen ist, um eine robuste Leistung zu erbringen. Sie haben gezeigt, dass ein leichtgewichtiges Modell mit einem „Selbstkontrollmechanismus“ die Giganten übertreffen kann.

Das Fazit

Einfach ausgedrückt lehrt SUREFlow Roboter, bescheiden zu sein. Anstatt jeder Bewegung blind zu vertrauen, lernt es, die Bewegungen zu erkennen, bei denen es unsicher ist, und sie sofort zu korrigieren. Dies verhindert, dass der „Schneeball“ der Fehler wächst, und ermöglicht es dem Roboter, lange, komplexe Aufgaben zuverlässig zu bewältigen – und das mit einem Gehirn, das viel kleiner und schneller ist als das seiner Konkurrenten. Die Autoren legen nahe, dass dieser Ansatz der Schlüssel dazu sein könnte, Roboter zu erschaffen, die nicht nur in perfekten Laboren funktionieren, sondern auch mit der chaotischen, unvorhersehbaren realen Welt zurechtkommen.

Technisches Resümee: SUREFlow

Problemstellung

Generative Vision-Language-Action (VLA) Policies haben die Robotermanipulation vorangebracht, weisen jedoch häufig Instabilitäten unter Rauschen, teilweiser Beobachtbarkeit und stochastischen Anfangsbedingungen auf. Ein kritischer Fehlermodus tritt bei längeren Rollouts auf: Kleine Geschwindigkeitsfehler akkumulieren sich, was die Ausführungszuverlässigkeit verschlechtert. Bestehende Diffusions- und Flow-basierte Policies nehmen typischerweise homoskedastische Residuen (uniforme Unsicherheit) an und verfügen über keine expliziten Mechanismen zur Modellierung oder Korrektur von Unsicherheit innerhalb der Aktionsgenerierung. Darüber hinaus verlassen sich viele leistungsstarke Ansätze auf große Transformer-Backbones mit quadratischer Komplexität oder iterative Sampling-Schritte, die hohe Kosten verursachen. Während State-Space-Modelle wie Mamba eine effiziente Modellierung in linearer Zeit bieten, bleibt ihre Anwendung auf die generative Roboterkontrolle begrenzt, insbesondere im Hinblick auf die Integration von unsicherheitbewusster Verfeinerung zur Stabilisierung der Langzeit-Ausführung.

Methodik: SUREFlow

Die Autoren schlagen SUREFlow (State-space Uncertainty-aware REsidual Flow Matching) vor, ein Framework, das Conditional Flow Matching mit unsicherheitbewusster Residualverfeinerung innerhalb eines Mamba-basierten Backbones vereint.

Kernarchitektur

Backbone & Konditionierung: Das Modell nutzt ein Mamba State-Space-Backbone für eine effiziente Langzeit-Temporaldimension-Modellierung. Multimodale Eingaben (Multi-View-RGB-Bilder, propriozeptive Roboterzustände und natürliche Sprachaufgaben-Embeddings) werden in eine einheitliche Token-Sequenz kodiert.
- Flow Conditioned Modulation (FCM): Ein Mechanismus, der kontinuierliche Flow-Zeit-Embeddings direkt über affine Modulation in die intermediären Feature-Repräsentationen injiziert, wodurch das Netzwerk in der Lage ist, das Verhalten entlang des Wahrscheinlichkeitspfades von Rauschen zu Expertenaktionen anzupassen, ohne die Token-Struktur zu verändern.
- Memory-Guided Action Decoder (MGAD): Ein leichtgewichtiges Modul, das das Aktions-Token als lernbare Abfrage (Query) behandelt, wodurch es auf multimodale Gedächtnisrepräsentationen (visuell, propriozeptiv und Aufgaben-Tokens) aufmerksam werden kann, um die zeitliche Konditionierung und strukturierte Aktionsverfeinerung zu verbessern.
Uncertainty-aware Residual Flow (URFlow):
- Anstatt Aktionen direkt zu regredieren, lernt die Policy ein zeitabhängiges Geschwindigkeitsfeld, das eine Gaußsche Prior-Verteilung zur Expertenaktionsverteilung transportiert.
- Entscheidend ist, dass SUREFlow die Diskrepanz zwischen der vorhergesagten Geschwindigkeit und der analytischen Zielgeschwindigkeit als Residual Flow modelliert.
- Das Framework sagt simultan die Aktionsgeschwindigkeit ( $\hat{v}_t$ ) und eine eingabebedingte Unsicherheitsschätzung ( $\hat{s}_t$ , repräsentiert als Log-Varianz) voraus. Diese Formulierung behandelt das Residuum als heteroskedastisch und erkennt an, dass die Unsicherheit über verschiedene Aktionsdimensionen und Kontexte hinweg variiert.
Inferenzzeit-Verfeinerung:
- Während der Inferenz führt die Policy ein deterministisches Verfeinerungsverfahren durch, das durch die vorhergesagte Unsicherheit geleitet wird.
- Bei $t=0$ evaluiert das Modell die vorhergesagte Unsicherheit für jede Aktionsdimension. Dimensionen, die einen vordefinierten Schwellenwert ( $\tau$ ) überschreiten, werden als unzuverlässig identifiziert.
- Diese spezifischen Dimensionen werden selektiv unter Verwendung der vorhergesagten Geschwindigkeit mittels eines Closed-Loop-Updates verfeinert ( $a_i \leftarrow a_i - \eta \hat{v}_{0,i}$ ), ohne externes Feedback aus der Umgebung zu benötigen. Dies mildert die Fehlerakkumulation während der iterativen Flow-Integration ab.

Zentrale Beiträge

Uncertainty-aware Residual Flow (URFlow): Die Einführung eines Verfeinerungsframeworks innerhalb des Conditional Flow Matching, das eingabebedingte Geschwindigkeitsvarianzen lernt. Dies ermöglicht die selektive Korrektur unzuverlässiger Aktionsdimensionen mit vernachlässigbarem Rechenaufwand und stabilisiert so die iterative Flow-Integration.
Memory-Guided Action Decoder (MGAD): Ein leichtgewichtiger Decoder, der lernbare Aktions-Queries erneut auf das multimodale Gedächtnis ausrichtet, was die zeitliche Konditionierung und Robustheit in der generativen Aktionssynthese verbessert.
Effiziente State-Space Generative Policy: Die erste Integration von unsicherheitbewusster Residualverfeinerung innerhalb einer State-Space-generativen Flow-Policy. SUREFlow erreicht skalierbare, effiziente generative Kontrolle mit nur 179 Mio. Parametern und vermeidet dabei die Abhängigkeit von Milliarden-Parameter-Backbones, während es Conditional Flow Matching mit URFlow und MGAD vereint.

Experimentelle Ergebnisse

Die Autoren evaluierten SUREFlow auf den Benchmarks LIBERO, Meta-World und LIBERO-PRO im Vergleich zu Transformer-basierten VLAs (z. B. OpenVLA, Octo), Diffusions-Policies und anderen State-Space-Methoden (z. B. MaIL).

LIBERO-Leistung: SUREFlow erreichte eine durchschnittliche Erfolgsrate (SR) von 92,5 % und übertraf damit das Mamba-basierte MaIL um 34,2 % und das Transformer-basierte Octo um 17,4 %.
Meta-World-Leistung: Das Modell erreichte eine durchschnittliche SR von 88,32 % und übertraf damit signifikant Diffusion Policy (37,6 %) und TinyVLA-H (31,6 %).
LIBERO-PRO (Robustheit): Unter diversen Perturbationen (Objektposition, Semantik, Aufgabe, Umgebung) erreichte SUREFlow eine normalisierte SR von 0,49 mit lediglich 179 Mio. Parametern. Diese Leistung ist vergleichbar mit großskaligen VLAs wie OpenVLA (7B Parameter, SR 0,52) und $\pi0.5$ (3B Parameter, SR 0,53), was zeigt, dass unsicherheitsgeleitete Verfeinerung die Modellgröße kompensieren kann.
Real-Roboter-Validierung: In einer realen Farbvergleichs- und Becher-Einsatz-Aufgabe mit einem Franka Emika Arm erreichte SUREFlow eine Erfolgsrate von 88,5 % über 20 Rollouts pro Farbe, was seine Robustheit gegenüber realer Wahrnehmungsinstabilität validiert.
Ablationsstudien: Die Ergebnisse bestätigten, dass URFlow die signifikanteste individuelle Verbesserung liefert (0,81 SR gegenüber 0,72 für FCM allein). Die Kombination aller Komponenten lieferte die höchste Performance (0,92 SR). Eine Sensitivitätsanalyse zeigte, dass eine moderate Unsicherheitsgewichtung und 3 Verfeinerungsschritte die optimale Stabilität bieten.

Bedeutung und Behauptungen

Das Paper behauptet, dass SUREFlow die Lücke zwischen effizienter State-Space-Modellierung und robuster generativer Kontrolle schließt. Durch die Integration von unsicherheitbewusster Residualverfeinerung ermöglicht die Methode eine stabile Ausführung von Langzeit-Rollouts, ohne die Rechenkosten großer Transformer-Backbones oder die Instabilität von Open-Loop-generativen Policies. Die Autoren behaupten, dass ihr Ansatz zeigt, dass Unsicherheitskalibrierung und selektive Verfeinerung entscheidend sind, um kumulierende Fehler zu mildern, wodurch ein leichtgewichtiges Modell (179 Mio. Parameter) eine vergleichbare Leistung wie Milliarden-Parameter-VLAs in komplexen, langfristigen Manipulationsaufgaben erzielen kann. Die Arbeit hebt hervor, dass die Leistungssteigerungen aus einer verbesserten Modellierung der eingabebedingten Unsicherheit resultieren und nicht aus brutaler Skalierung.