💻 computer science

KAN We Flow? Advancing Robotic Manipulation with 3D Flow Matching via KAN & RWKV

Este artículo presenta KAN-We-Flow, una política de flujo 3D ligera y eficiente para la manipulación robótica que reemplaza los pesados backbones UNet con una novedosa arquitectura RWKV-KAN y una Regularización de Consistencia de Acción para lograr un rendimiento de vanguardia con significativamente menos parámetros.

Autores originales: Zhihao Chen, Yiyuan Ge, Ziyang Wang, Youwei Zhang

Publicado 2026-08-19

📖 5 min de lectura🧠 Análisis profundo

CC BY 4.0

Autores originales: Zhihao Chen, Yiyuan Ge, Ziyang Wang, Youwei Zhang

Artículo original bajo licencia CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). ✨ Esta es una explicación generada por IA del artículo a continuación. No ha sido escrita ni avalada por los autores. Para mayor precisión técnica, consulte el artículo original. Leer descargo de responsabilidad completo

Los robots han luchado durante mucho tiempo con el delicado arte de la manipulación. Si bien sobresalen en el movimiento de objetos pesados en líneas rectas, las tareas que requieren un toque humano —como enhebrar una aguja, girar un pomo de una puerta o ensamblar una computadora portátil— han permanecido esquivas. Durante años, los investigadores han intentado enseñar estas habilidades a los robots mostrándoles videos de expertos realizando las acciones, un proceso conocido como aprendizaje por imitación. Los intentos más exitosos recientes se han basado en complejos modelos matemáticos que actúan como un juego de adivinanzas. Estos modelos comienzan con una suposición aleatoria y ruidosa y la refinan lentamente, paso a paso, hasta que la suposición se convierte en un plan de movimiento claro. Si bien este método funciona bien para producir movimientos de alta calidad, es dolorosamente lento. El robot debe realizar docenas de pasos de refinamiento por cada acción que toma, creando un retraso que hace imposible el control en tiempo real. Es como intentar conducir un automóvil adivinando la siguiente curva, corrigiendo la suposición, adivinando de nuevo y corrigiendo de nuevo, todo antes de que el automóvil siquiera se haya movido una pulgada.

Para resolver este problema de velocidad, los científicos han recurrido a un enfoque más nuevo llamado emparejamiento de flujo (flow matching). En lugar de dar muchos pasos pequeños para refinar una suposición, este método aprende un camino directo desde un punto de partida aleatorio hasta la acción correcta, lo que teóricamente permite al robot decidir su siguiente movimiento en un solo paso. Sin embargo, un gran obstáculo persistía: los cerebros informáticos que impulsaban estos modelos seguían siendo demasiado pesados y voluminosos. Dependían de arquitecturas masivas y ávidas de energía que requerían servidores potentes, lo que los hacía imposibles de ejecutar en las pequeñas computadoras alimentadas por batería que se encuentran en los robots reales. El campo necesitaba una forma de mantener la velocidad del nuevo método sin el peso del hardware antiguo.

En un nuevo estudio, un equipo de investigadores ha construido una política robótica que logra exactamente este equilibrio. Introdujeron un sistema llamado KAN-We-Flow, que reemplaza la pesada arquitectura informática tradicional con un diseño mucho más ligero y eficiente. Los investigadores combinaron dos avances recientes en inteligencia artificial para crear un nuevo tipo de bloque de procesamiento. La primera parte maneja el flujo del tiempo, permitiendo que el robot comprenda cómo sus acciones se conectan a lo largo de una secuencia, de forma muy parecida a seguir una historia en lugar de solo mirar una instantánea única. La segunda parte actúa como un perfeccionador, ajustando los movimientos del robot con un alto grado de precisión mediante un método que aprende patrones flexibles y curvos en lugar de líneas rectas y rígidas. Al entrelazar estas dos capacidades, el equipo creó un modelo que es un 86.8% más pequeño que los mejores métodos anteriores, pero que además es más rápido y comete menos errores.

Los resultados de este trabajo son sorprendentes cuando se prueban contra estándares de referencia. En una serie de entornos simulados que involucran tareas como abrir puertas, girar bolígrafos y ensamblar muebles, el nuevo sistema superó consistentemente a sus predecesores. En una tarea difícil que involucraba a una mano robótica manipulando un bolígrafo, el nuevo modelo logró una tasa de éxito del 68%, comparado con el 55% del método líder anterior. En otra prueba que involucraba una puerta, alcanzó un 83% de éxito, superando al siguiente mejor sistema por un margen significativo. Quizás lo más importante para el uso en el mundo real es que el sistema es increíblemente rápido. Puede decidir una nueva acción en aproximadamente 8 a 11 milisegundos, lo cual es lo suficientemente rápido como para permitir que el robot controle sus movimientos a una tasa de 100 veces por segundo. Esta velocidad es comparable a los reflejos de un humano, un marcado contraste con los métodos más antiguos que tardaban más de 100 milisegios por paso, lo que a menudo causaba que el robot tropezara o fallara su objetivo por completo.

Para asegurar que el robot se mantuviera en el camino correcto, los investigadores añadieron una regla de entrenamiento específica que actúa como una red de seguridad. Durante la fase de aprendizaje, se le enseña al sistema no solo a predecir el siguiente movimiento, sino también a asegurar que, si proyectara su trayectoria actual hacia adelante, aterrizaría exactamente donde un experto humano habría terminado. Esta regla evita que el robot se desvíe del curso, especialmente durante tareas largas y complejas. El equipo descubrió que esta simple adición estabilizó el proceso de entrenamiento y mejoró la precisión final sin requerir tiempo adicional para tomar decisiones. Todo el sistema fue probado en tres conjuntos diferentes de tareas, que van desde el manejo de objetos simples hasta el ensamblaje complejo, y consistentemente entregó las tasas de éxito más altas mientras utilizaba una fracción de la memoria informática requerida por los modelos anteriores.

La importancia de este trabajo radica en su potencial para trasladar el aprendizaje robótico fuera del laboratorio y llevarlo a la planta de producción o al hogar. Al demostrar que un modelo ligero y eficiente puede superar a otros masivos y lentos, los investigadores han eliminado una barrera importante para su implementación. El nuevo sistema no requiere una supercomputadora para funcionar; es lo suficientemente pequeño como para caber en el propio robot. Esto significa que los robots podrían eventualmente aprender nuevas habilidades sobre la marcha, adaptándose a nuevos objetos y entornos sin necesidad de una conexión constante a un potente servidor en la nube. El estudio sugiere que el futuro de la manipulación robótica no requiere construir cerebros más grandes y pesados, sino más inteligentes y eficientes que puedan pensar rápido y actuar con la precisión de una mano humana.

Resumen Técnico: KAN-We-Flow

Planteamiento del Problema

Las políticas visuomotoras generativas actuales para la manipulación robótica, particularmente aquellas basadas en modelos de difusión (por ejemplo, DP3), sobresalen en el modelado de distribuciones de acción multimodales complejas. Sin embargo, sufren de ineficiencias significativas en la inferencia. Estos modelos suelen depender de arquitecturas pesadas tipo UNet y requieren un proceso de eliminación de ruido recursivo a lo largo de muchos pasos para generar acciones, lo que genera una latencia alta que dificulta el control en tiempo real y el despliegue en robots de borde (edge) con recursos limitados.

Aunque los paradigmas de Flow Matching (FM) ofrecen una solución al aprender un campo vectorial continuo que permite la generación de acciones en un solo paso, las implementaciones previas a menudo heredan las mismas arquitecturas UNet de gran tamaño y con muchos parámetros. En consecuencia, a pesar de tener un muestreo más rápido que la difusión, estos modelos siguen enfrentando cuellos de botella en el recuento de parámetros y el costo computacional, lo que limita su practicidad para el despliegue en el borde. Existe una necesidad crítica de una arquitectura de política que mantenga la precisión y la velocidad de inferencia de los modelos de flujo, reduciendo drásticamente la sobrecarga computacional.

Metodología

Los autores proponen KAN-We-Flow, una política de flujo ligero diseñada para reemplazar las pesadas arquitecturas UNet con una novedosa arquitectura que combina Receptance Weighted Key Value (RWKV) y Kolmogorov-Arnold Networks (KAN).

1. Backbone UNet RWKV-KAN

En lugar de una UNet estándar, la política utiliza un codificador-decodificador de tres etapas compuesto por bloques RWKV-KAN. Este diseño tiene como objetivo capturar dependencias temporales de largo horizonte y realizar una calibración de características eficiente con complejidad lineal.

Componente RWKV: El módulo RWKV gestiona la mezcla de tiempo y canales. Emplea un mecanismo de mezcla temporal con decaimiento exponencial para propagar el contexto de la tarea a través de la trayectoria de acción con complejidad lineal, y una rama de mezcla de canales utilizando MLPs con no linealidad squared-ReLU. Esto reemplaza los mecanismos de autoatención computacionalmente costosos encontrados en los Transformers y las pesadas pilas convolucionales en las UNets.
Componente GroupKAN: Tras el RWKV, una capa GroupKAN aplica mapeos funcionales grupales basados en splines aprendibles. A diferencia de los MLPs tradicionales que utilizan funciones de activación fijas y multiplicaciones de matrices pesadas, las KAN colocan funciones univariantes aprendibles (parametrizadas por splines) en los bordes de la red. Los autores particionan los canales en grupos, procesando cada uno con un operador KAN independiente que comparte parámetros a través del tiempo. Se añade un mecanismo ligero de Modulación de Afinidad de Canales (CAM) para reponderar adaptativamente los canales basándose en estadísticas conscientes de la secuencia. Esta estructura permite la aproximación eficiente de funciones multivariantes con significativamente menos parámetros.

2. Consistency Flow Matching (CFM)

La política aprende un flujo de línea recta consistente en velocidad en el espacio de acción.

Objetivo: El modelo minimiza una pérdida de consistencia ( $L_{CFM}$ ) que impone que la decodificación desde dos pasos de tiempo cercanos ( $t$ y $t+\Delta t$ ) produzca el mismo punto final y que sus velocidades instantáneas coincidan.
Extensión de Multi-segmento: Para mejorar la expresividad, el intervalo de tiempo $[0, 1]$ se particiona en $K$ segmentos (establecidos en 2 en los experimentos), optimizando la consistencia por segmento para equilibrar eficiencia y calidad.

3. Acción de Regularización de Consistencia (ACR)

Para estabilizar el entrenamiento y mejorar la precisión sin añadir pasos de inferencia, los autores introducen la Regularización de Consistencia de Acción (ACR).

Mecanismo: La ACR actúa como una pérdida auxiliar ligera que alinea la trayectoria de acción predicha por la política con las demostraciones expertas. Realiza una extrapolación de Euler de un solo paso desde el estado actual hacia el final del horizonte ( $t \to 1$ ) y penaliza la desviación entre esta acción extrapolada y la acción experta sobre una ventana de control específica.
Beneficio: Proporciona un anclaje global de punto final, reduciendo el error de deriva (drift) y los efectos de sesgo de exposición durante el entrenamiento, incurriendo en un costo computacional insignificante.

Principales Contribuciones

Arquitectura Novedosa: La introducción del bloque RWKV-KAN, que marca la primera aplicación de estas arquitecturas específicas (RWKV y GroupKAN) al aprendizaje de políticas visuomotoras robóticas. Este diseño logra una reducción drástica del tamaño del modelo y una inferencia más rápida sin sacrificar la precisión.
Regularización de Consistencia de Acción (ACR): Un nuevo objetivo auxiliar que ancla las acciones decodificadas en un solo paso a las demostraciones expertas en el horizonte, mejorando la estabilidad y la precisión con un costo insignificante.
Equilibrio Eficiencia-Precisión: La integración de estos componentes resulta en una política que es altamente precisa y computacionalmente eficiente, apta para el despliegue en tiempo real en el borde.

Resultados Experimentales

Los autores evaluaron KAN-We-Flow en tres benchmarks estándar: Adroit, Meta-World y DexArt.

Desempeño: El método alcanzó tasas de éxito de vanguardia (state-of-the-art) en todos los dominios.
- En Adroit, mejoró las tasas de éxito en la tarea Door a $83.0 \pm 2.0$ (frente a $62.0 \pm 5.0$ de FlowPolicy) y en Pen a $68.0 \pm 2.5$ (frente a $55.0 \pm 13.0$ ).
- En Meta-World, superó a las líneas base en los niveles de dificultad Easy, Medium, Hard y Very Hard (por ejemplo, $92.0 \pm 1.0$ en tareas Easy frente a $88.2 \pm 1.1$ para MP1).
Eficiencia:
- Parámetros: El modelo utiliza solo 33.6M de parámetros, lo que representa una reducción del 86.8% en comparación con los 255.1M de parámetros de la línea base DP3.
- Velocidad de Inferencia: La política logra velocidades de inferencia en tiempo real de 8.0–10.1 ms en tareas de Adroit y 6.7–11.8 ms en tareas de Meta-World, permitiendo un control de $\sim$ 100 Hz. Esto es significativamente más rápido que las líneas base de difusión (por ejemplo, DP3 a $\sim$ 130 ms) y mejora sobre los métodos de flujo existentes como FlowPolicy.
Estudios de Ablación: Los experimentos confirmaron que eliminar ya sea RWKV, GroupKAN o ACR conduce a una degradación del desempeño, validando los roles complementarios de la mezcla de secuencias en tiempo lineal, la calibración de splines eficiente en parámetros y el anclaje del final del horizonte.

Significado y Reivindicaciones

El artículo afirma que KAN-We-Flow demuestra un camino claro hacia políticas robóticas precisas, en tiempo real y desplegables en el borde que no dependen de arquitecturas UNet pesadas. Al reemplazar los backbones tradicionales con RWKV y KAN, los autores logran desacoplar el alto rendimiento del alto costo computacional. El trabajo sugiere que la combinación de modelado de secuencias eficiente (RWKV) y aproximación de funciones expresiva y eficiente en parámetros (KAN) es particularmente adecuada para la manipulación robótica, ofreciendo una solución viable para desplegar políticas visuomotoras sofisticadas en hardware con recursos limitados. Los autores señalan que el trabajo futuro se centrará en extender este enfoque a evaluaciones con robots reales, sensores multi-vista y tareas ricas en contacto.