💻 computer science

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

Questo articolo introduce KAN-We-Flow, una politica di flow-matching 3D leggera ed efficiente per la manipolazione robotica che sostituisce i pesanti backbone UNet con una nuova architettura RWKV-KAN e una Regolarizzazione della Coerenza dell'Azione per raggiungere prestazioni allo stato dell'arte con significativamente meno parametri.

Autori originali: Zhihao Chen, Yiyuan Ge, Ziyang Wang, Youwei Zhang

Pubblicato 2026-08-19

📖 5 min di lettura🧠 Approfondimento

CC BY 4.0

Autori originali: Zhihao Chen, Yiyuan Ge, Ziyang Wang, Youwei Zhang

Articolo originale sotto licenza CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). ✨ Questa è una spiegazione generata dall'IA dell'articolo qui sotto. Non è stata scritta né approvata dagli autori. Per precisione tecnica, consulta l'articolo originale. Leggi il disclaimer completo

I robot hanno lottato a lungo con la delicata arte della manipolazione. Sebbene eccellano nel muovere oggetti pesanti in linea retta, compiti che richiedono un tocco simile a quello umano — come infilare un ago, girare una maniglia o assemblare un laptop — sono rimasti elusivi. Per anni, i ricercatori hanno cercato di insegnare queste abilità ai robot mostrando loro video di esperti che eseguono le azioni, un processo noto come apprendimento per imitazione. I tentativi più riusciti recenti si sono basati su complessi modelli matematici che agiscono come un gioco di indovinelli. Questi modelli partono da un tentativo casuale e rumoroso e lo raffinano lentamente, passo dopo passo, finché il tentativo non diventa un piano di movimento chiaro. Sebbene questo metodo funzioni bene per produrre movimenti di alta qualità, è dolorosamente lento. Il robot deve eseguire decine di passaggi di raffinamento per ogni singola azione che compie, creando un ritardo che rende impossibile il controllo in tempo reale. È come cercare di guidare un'auto indovinando la prossima curva, correggendo l'ipotesi, indovinando di nuovo e correggendo ancora, tutto prima che l'auto si sia mossa anche solo di un centimetro.

Per risolvere questo problema di velocità, gli scienziati si sono rivolti a un approccio più recente chiamato "flow matching". Invece di compiere molti piccoli passi per raffinare un tentativo, questo metodo impara un percorso diretto da un punto di partenza casuale all'azione corretta, permettendo teoricamente al robot di decidere la sua mossa successiva in un unico passaggio. Tuttavia, rimaneva un ostacolo maggiore: i cervelli informatici che alimentavano questi modelli erano ancora troppo pesanti e ingombranti. Si affidavano ad architetture massicce e voraci di energia che richiedevano server potenti, rendendoli impossibili da eseguire sui piccoli computer alimentati a batteria che si trovano sugli veri robot. Il campo aveva bisogno di un modo per mantenere la velocità del nuovo metodo senza il peso dell'hardware vecchio.

In un nuovo studio, un team di ricercatori ha costruito una politica robotica che raggiunge esattamente questo equilibrio. Hanno introdotto un sistema chiamato KAN-We-Flow, che sostituisce l'architettura informatica pesante e tradizionale con un design molto più leggero ed efficiente. I ricercatori hanno combinato due recenti progressi nell'intelligenza artificiale per creare un nuovo tipo di blocco di elaborazione. La prima parte gestisce il flusso del tempo, permettendo al robot di capire come le sue azioni si collegano in una sequenza, molto simile a seguire una storia piuttosto che guardare solo un singolo fotogramma. La seconda parte agisce come un perfezionatore, regolando i movimenti del robot con un alto grado di precisione utilizzando un metodo che apprende schemi flessibili e curvi invece di linee rigide e dritte. Intrecciando queste due capacità, il team ha creato un modello che è l'86,8% più piccolo dei precedenti metodi migliori, pur essendo più veloce e commettendo meno errori.

I risultati di questo lavoro sono sorprendenti quando testati contro gli standard di riferimento. In una serie di ambienti simulati che coinvolgevano compiti come aprire porte, girare penne o assemblare mobili, il nuovo sistema ha costantemente superato i suoi predecessori. In un compito difficile che coinvolgeva una mano robotica che manipola una penna, il nuovo modello ha raggiunto un tasso di successo del 68%, rispetto al 55% del precedente metodo leader. In un altro test riguardante una porta, ha raggiunto l'83% di successo, superando il sistema successivo migliore con un margine significativo. Forse più importante per l'uso nel mondo reale, il sistema è incredibilmente veloce. Può decidere una nuova azione in circa 8 o 11 millisecondi, il che è sufficientemente veloce da consentire al robot di controllare i suoi movimenti a una frequenza di 100 volte al secondo. Questa velocità è paragonabile ai riflessi umani, un netto contrasto con i vecchi metodi che richiedevano oltre 100 millisecondi per passaggio, causando spesso l'inciampo del robot o la perdita del bersaglio.

Per garantire che il robot rimanesse in pista, i ricercatori hanno aggiunto una specifica regola di addestramento che funge da rete di sicurezza. Durante la fase di apprendimento, il sistema viene istruito non solo a prevedere la mossa successiva, ma anche a garantire che, se proiettasse il suo percorso attuale in avanti, finirebbe esattamente dove un esperto umano sarebbe finito. Questa regola impedisce al robot di deviare dal percorso, specialmente durante compiti lunghi e complessi. Il team ha scoperto che questa semplice aggiunta ha stabilizzato il processo di addestramento e migliorato l'accuratezza finale senza richiedere tempo extra per prendere decisioni. L'intero sistema è stato testato su tre diversi set di compiti, che andavano dalla semplice manipolazione di oggetti al complesso assemblaggio, e ha costantemente fornito i tassi di successo più elevati utilizzando una frazione della memoria informatica richiesta dai modelli più vecchi.

La portata di questo lavoro risiede nel suo potenziale di spostare l'apprendimento robotico dal laboratorio alla fabbrica o nella casa. Dimostrando che un modello leggero ed efficiente può superare modelli massicci e lenti, i ricercatori hanno rimosso una barriera fondamentale alla distribuzione. Il nuovo sistema non richiede un supercomputer per funzionare; è abbastanza piccolo da essere installato sul robot stesso. Ciò significa che i robot potrebbero eventualmente imparare nuove abilità al volo, adattandosi a nuovi oggetti e ambienti senza la necessità di una connessione costante a un potente server cloud. Lo studio suggerisce che il futuro della manipolazione robotica non richiede la costruzione di cervelli più grandi e pesanti, ma piuttosto di cervelli più intelligenti ed efficienti che possano pensare rapidamente e agire con la precisione di una mano umana.

Sintesi Tecnica: KAN-We-Flow

Problema

Le attuali policy visuomotorie generative per la manipolazione robotica, in particolare quelle basate su modelli di diffusione (ad esempio, DP3), eccellono nel modellare distribuzioni di azioni complesse e multimodali. Tuttavia, soffrono di significative inefficienze nell'inferenza. Questi modelli si affidano tipicamente a pesanti backbone di tipo UNet e richiedono una denoisizzazione ricorsiva su molti step per generare azioni, portando a una latenza elevata che ostacola il controllo in tempo reale e l'implementazione su robot edge con risorse limitate.

Sebbene i paradigmi di Flow Matching (FM) offrano una soluzione, apprendendo un campo vettoriale continuo che consente la generazione di azioni in un singolo step, le implementazioni precedenti ereditano spesso le stesse architetture UNet pesanti e con un elevato numero di parametri. Di conseguenza, nonostante una campionatura più veloce rispetto alla diffusione, questi modelli affrontano ancora colli di bottiglia nel conteggio dei parametri e nei costi computazionali, limitandone la praticità per l'implementazione edge. Esiste una critica necessità di un'architettura di policy che mantenga l'accuratezza e la velocità di inferenza dei modelli di flow, riducendo drasticamente l'overhead computazionale.

Metodologia

Gli autori propongono KAN-We-Flow, una policy di flow-matching leggera progettata per sostituire i pesanti backbone UNet con una nuova architettura che combina Receptance Weighted Key Value (RWKV) e Kolmogorov-Arnold Networks (KAN).

1. Backbone RWKV-KAN UNet

Invece di una standard UNet, la policy utilizza un encoder-decoder a tre stadi composto da blocchi RWKV-KAN. Questo design mira a catturare dipendenze temporali a lungo termine ed eseguire una calibrazione efficiente delle feature con complessità lineare.

Componente RWKV: Il modulo RWKV gestisce il mixing di tempo e canali. Impiega un meccanismo di time-mixing con decadimento esponenziale per propagare il contesto del task attraverso la traiettoria dell'azione con complessità lineare, e un ramo di channel-mixing utilizzando MLP con non-linearità squared-ReLU. Questo sostituisce i costosi meccanismi di self-attention dei Transformer e le pesanti pile convoluzionali delle UNet.
Componente GroupKAN: Dopo l'RWKV, uno strato GroupKAN applica mappature funzionali basate su spline e per gruppi (groupwise) apprendibili. A differenza dei tradizionali MLP che utilizzano funzioni di attivazione fisse e pesanti moltiplicazioni di matrici, le KAN posizionano funzioni univariate apprendibili (parametrizzate da spline) sui bordi della rete. Gli autori partizionano i canali in gruppi, elaborando ciascuno con un operatore KAN indipendente che condivide i parametri nel tempo. Un leggero meccanismo di Channel Affinity Modulation (CAM) viene aggiunto per ricalibrare adattivamente i canali in base alle statistiche sensibili alla sequenza. Questa struttura consente un'approssimazione efficiente di funzioni multivariate con significativamente meno parametri.

2. Consistency Flow Matching (CFM)

La policy apprende un flusso a linea retta con velocità consistente nello spazio delle azioni.

Obiettivo: Il modello minimizza una perdita di consistenza ( $L_{CFM}$ ) che impone che la decodifica da due step temporali vicini ( $t$ e $t+\Delta t$ ) produca lo stesso endpoint e che le loro velocità istantanee siano concordi.
Estensione Multi-segmento: Per migliorare l'espressività, l'intervallo temporale $[0, 1]$ è partizionato in $K$ segmenti (impostati a 2 negli esperimenti), ottimizzando la consistenza per segmento per bilanciare efficienza e qualità.

3. Action Consistency Regularization (ACR)

Per stabilizzare l'addestramento e migliorare la precisione senza aggiungere step di inferenza, gli autori introducono la Action Consistency Regularization (ACR).

Meccanismo: L'ACR agisce come una perdita ausiliaria leggera che allinea la traiettoria dell'azione predetta dalla policy con le dimostrazioni degli esperti. Esegue un'estrapolazione Euler a singolo step dallo stato corrente verso la fine dell'orizzonte ( $t \to 1$ ) e penalizza la deviazione tra questa azione estrapolata e l'azione dell'esperto su una specifica finestra di controllo.
Vantaggio: Questo fornisce un ancoraggio globale dell'endpoint, riducendo il drift e gli effetti di exposure bias durante l'addestramento, con un costo computazionale trascurabile.

Contributi Chiave

Architettura Innovativa: L'introduzione del blocco RWKV-KAN, che segna la prima applicazione di queste specifiche architetture (RWKV e GroupKAN) all'apprendimento di policy visuomotorie robotiche. Questo design raggiunge una drastica riduzione delle dimensioni del modello e un'inferenza più veloce senza sacrificare la precisione.
Action Consistency Regularization (ACR): Un nuovo obiettivo ausiliario che ancora le azioni decodificate in un singolo step alle dimostrazioni degli esperti all'orizzonte, migliorando stabilità e precisione a un costo trascurabile.
Equilibrio Efficienza-Accuratezza: L'integrazione di questi componenti risulta in una policy che è sia altamente accurata che computazionalmente efficiente, adatta al deployment edge in tempo reale.

Risultati Sperimentali

Gli autori hanno valutato KAN-We-Flow su tre benchmark standard: Adroit, Meta-World e DexArt.

Performance: Il metodo ha raggiunto tassi di successo allo stato dell'arte in tutti i domini.
- Su Adroit, ha migliorato i tassi di successo sul compito Door a $83.0 \pm 2.0$ (rispetto a $62.0 \pm 5.0$ di FlowPolicy) e su Pen a $68.0 \pm 2.5$ (rispetto a $55.0 \pm 13.0$ ).
- Su Meta-World, ha superato i baseline in tutti i livelli di difficoltà: Easy, Medium, Hard e Very Hard (ad esempio, $92.0 \pm 1.0$ su compiti Easy rispetto a $88.2 \pm 1.1$ per MP1).
Efficienza:
- Parametri: Il modello utilizza solo 33.6M di parametri, rappresentando una riduzione dell'86.8% rispetto ai 255.1M di parametri del baseline DP3.
- Velocità di Inferenza: La policy raggiunge velocità di inferenza in tempo reale di 8.0–10.1 ms nei compiti Adroit e 6.7–11.8 ms in Meta-World, consentendo un controllo a circa 100 Hz. Questo è significativamente più veloce dei baseline di diffusione (ad esempio, DP3 a $\sim$ 130 ms) e migliora i metodi di flow-matching esistenti come FlowPolicy.
Studi di Ablazione: Gli esperimenti hanno confermato che rimuovere RWKV, GroupKAN o ACR porta a una degradazione delle prestazioni, validando i ruoli complementari del mixing di sequenza a tempo lineare, della calibrazione spline a parametri ridotti e dell'ancoraggio dell'orizzonte finale.

Significato e Rivendicazioni

Il paper sostiene che KAN-We-Flow dimostra una chiara strada verso policy robotiche accurate, in tempo reale e deployabili su edge che non dipendono da pesanti architetture UNet. Sostituendo i backbone tradizionali con RWKV e KAN, gli autori riescono a separare le alte prestazioni dall'alto costo computazionale. Il lavoro suggerisce che la combinazione di un efficiente modellamento di sequenza (RWKV) e di un'approssimazione funzionale espressiva e a parametri ridotti (KAN) è particolarmente adatta alla manipolazione robotica, offrendo una soluzione valida per il deployment di sofisticate policy visuomotorie su hardware con risorse limitate. Gli autori notano che il lavoro futuro si concentrerà sull'estensione di questo approccio alla valutazione su robot reali, al sensing multi-view e ai compiti ricchi di contatto.