💻 computer science

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

SUREFlow is een op een Mamba-backbone gebaseerd state-space uncertainty-aware residual flow matching-framework dat gezamenlijk actiesnelheden en input-afhankelijke onzekerheid voorspelt om selectieve verfijning van onbetrouwbare acties mogelijk te maken, waarmee een robuuste robotmanipulatieprestatie wordt bereikt die vergelijkbaar is met grote vision-language-action-modellen terwijl er aanzienlijk minder parameters worden gebruikt.

Oorspronkelijke auteurs: Md Tanvir Islam, Sai Navaneet Peddapalli, Sangmoon Lee, Sangtae Ahn

Gepubliceerd 2026-07-14

📖 5 min leestijd🧠 Diepgaand

CC BY 4.0

Oorspronkelijke auteurs: Md Tanvir Islam, Sai Navaneet Peddapalli, Sangmoon Lee, Sangtae Ahn

Oorspronkelijk artikel gelicentieerd onder CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). ✨ Dit is een AI-gegenereerde uitleg van het onderstaande artikel. Het is niet geschreven of goedgekeurd door de auteurs. Raadpleeg het oorspronkelijke artikel voor technische nauwkeurigheid. Lees de volledige disclaimer

Stel je voor dat je een robot leert jongleren, maar in plaats van ballen te gooien, moet de robot zijn arm bewegen om bekers op te pakken en te stapelen. De meeste robotbreinen van vandaag werken als een student die één pad naar het antwoord uit het hoofd leert. Als de student over een klein steentje struikelt (een beetje ruis of een vreemde startpositie), raakt hij in paniek, wankelt hij en valt het hele jongleeract uit elkaar. Dit komt omdat kleine fouten in hun snelheidsvoorspellingen zich opstapelen, zoals een sneeuwbal die een heuvel afrolt, totdat de robot aan het einde van de taak iets compleet verkeerds doet.

Maak kennis met SUREFlow, een nieuw robotbrein dat minder werkt als een memoriseerder en meer als een voorzichtige, zelfcontrolerende navigator.

Het Probleem: Het "Sneeuwbal"-effect

Het artikel stelt dat huidige robotbeleid, vooral die welke geavanceerde "generatieve" methoden gebruiken (zoals diffusion of flow matching), vaak ervan uitgaan dat hun fouten overal even groot zijn. Het is als een bestuurder die denkt dat hij even waarschijnlijk een afslag mist met één inch als met een mijl. In werkelijkheid zijn sommige delen van een taak lastig en onzeker, terwijl andere gemakkelijk zijn. Wanneer deze robots lange reeksen bewegingen uitvoeren zonder hun werk te controleren, stapelen die kleine snelheidsfouten zich op, wat leidt tot een crash. De auteurs sluiten expliciet de gedachte uit dat het simpelweg groter maken van het robotbrein (het gebruik van enorme "miljarden-parameters" modellen) de enige manier is om dit op te lossen; ze laten zien dat een kleiner, slimmer brein net zo goed kan presteren.

De Oplossing: Een "Zelfcorrigerende" GPS

De auteurs stellen SUREFlow voor, wat staat voor State-space Uncertainty-aware REsidual Flow Matching. Dat is een mondvol, dus laten we het met een analogie ontleden.

Stel je voor dat de robot een auto rijdt op een mistige weg.

De Mamba Backbone: In plaats van een gigantische, zware motor te gebruiken (zoals een massief Transformer-model dat eeuwen nodig heeft om te rekenen), gebruikt SUREFlow een lichtgewicht, efficiënte motor genaamd Mamba. Het is als een wendbare sportwagen die door lange afstanden kan racen zonder moe te worden.
De Flow Matching: De robot raadt niet alleen de eindbestemming. Het leert een "snelheidsveld", wat een kaart is van windstromingen die een boot van een startpunt (willekeurige ruis) naar de finishlijn (de juiste actie) duwt.
Het Geheime Sausje (SURE): Hier zit de magie. SUREFlow duwt niet alleen de boot; het draagt ook een onzekerheidsdetector bij zich. Het vraagt constant: "Hoe zeker ben ik over dit specifieke deel van de beweging?"
- Als de robot zelfverzekerd is (lage onzekerheid), blijft hij gewoon doorvaren.
- Als de robot wankelt (hoge onzekerheid), trapt hij op de rem en maakt hij een kleine, precieze correctie voordat hij de arm zelfs maar beweegt.

Dit wordt Uncertainty-aware Residual Flow (URFlow) genoemd. Het is als een co-piloot die fluistert: "Hé, die bocht ziet er glad uit, laten we het stuur een klein beetje bijsturen," zonder dat er om hulp van een mens gevraagd hoeft te worden. Dit gebeurt volledig binnen het robotbrein, zonder dat de echte wereld aangeraakt hoeft te worden om te controleren of het goed is.

De Resultaten: Klein Brein, Grote Overwinningen

De onderzoekers hebben dit getest in een virtuele wereld genaamd LIBERO en Meta-World.

De Score: SUREFlow behaalde een succespercentage van 92,5% op de LIBERO-tests. Dit is een enorme sprong, waarbij het de vorige beste Mamba-gebaseerde robot (MaIL) met 34,2% verslaat.
De Grootte: Het beste deel? SUREFlow heeft slechts 179 miljoen parameters. Om dit in perspectief te plaatsen: andere toprobots (zoals OpenVLA) hebben 3 tot 7 miljard parameters nodig om vergelijkbare resultaten te behalen. SUREFlow is als een compacte auto die hetzelfde verbruik heeft als een enorme vrachtwagen.
De Werkelijkheid: Ze hebben het ook getest op een echte robotarm (een Franka Emika) met een camera. De robot moest bekers van specifieke kleuren oppakken en stapelen. SUREFlow slaagde 88,5% van de tijd, wat bewijst dat het geen videospel-trucje is.

Wat Ze Niet Hebben Gedaan (en Waarom Dat Er Toe Doet)

Het paper is zeer voorzichtig over wat het niet claimt.

Het claimt niet dat grotere modellen nutteloos zijn; het laat alleen zien dat voor dit specifieke type lange, complexe taak, "onzekerheidsbewust" zijn belangrijker is dan alleen maar "groot" zijn.
Het zegt niet dat de robot perfect is. De succespercentages (zoals 49% op de moeilijkere LIBERO-PRO test) laten zien dat er nog steeds ruimte is voor verbetering, maar het is een enorme stap voorwaarts voor zo'n klein model.
Het argumenteert expliciet tegen het idee dat je moet vertrouwen op enorme, dure backbones om robuuste prestaties te krijgen. Ze lieten zien dat een lichtgewicht model met een "zelfcontrolerend" mechanisme de reuzen kan verslaan.

De Kernboodschap

In eenvoudige woorden leert SUREFlow robots om nederig te zijn. In plaats van elke beweging blindelings te vertrouwen, leert het de bewegingen te herkennen waarvan het onzeker is en deze direct te corrigeren. Dit voorkomt dat de "sneeuwbal" van fouten groeit, waardoor de robot lange, complexe taken betrouwbaar kan voltooien, zelfs met een brein dat veel kleiner en sneller is dan dat van zijn concurrenten. De auteurs suggereren dat deze aanpak de sleutel kan zijn tot het maken van robots die niet alleen in perfecte labs werken, maar ook de rommelige, onvoorspelbare echte wereld aankunnen.

Technische Samenvatting: SUREFlow

Probleemstelling

Generatieve visie-taal-actie (VLA) beleidsregels hebben robotmanipulatie geavanceerd, maar vertonen vaak instabiliteit onder ruis, gedeeltelijke observeerbaarheid en stochastische initiële condities. Een kritieke foutmodus treedt op tijdens langdurige rollouts op: kleine snelheidsfouten accumuleren, wat de betrouwbaarheid van de uitvoering degradeert. Bestaande diffusie- en flow-gebaseerde beleidsregels gaan doorgaans uit van homoscedastische residuen (uniforme onzekerheid) en missen expliciete mechanismen om onzekerheid binnen actiegeneratie te modelleren of te corrigeren. Bovendien vertrouwen veel hoogpresterende benaderingen op grote transformer-backbones met kwadratische computationele complexiteit of iteratieve bemonsteringsstappen die hoge kosten met zich meebrengen. Hoewel state-space modellen zoals Mamba efficiënte lineaire-tijd modellering bieden, blijft hun toepassing op generatieve robotbesturing beperkt, met name met betrekking tot de integratie van onzekerheidsbewuste verfijning om langetermijnuitvoering te stabiliseren.

Methodologie: SUREFlow

De auteurs stellen SUREFlow voor (State-space Uncertainty-aware REsidual Flow Matching), een raamwerk dat conditional flow matching verenigt met onzekerheidsbewuste residuele verfijning binnen een Mamba-gebaseerde backbone.

Kernarchitectuur

Backbone & Conditionering: Het model maakt gebruik van een Mamba state-space backbone voor efficiënte langetermijn temporele modellering. Multimodale inputs (multi-view RGB-beelden, robot proprioceptieve staten en natuurlijke taal taak-embeddings) worden gecodeerd in een verenigde tokensequentie.
- Flow Conditioned Modulation (FCM): Een mechanisme dat continue flow-tijd embeddings direct injecteert in intermediaire feature-representaties via affine modulatie, waardoor het netwerk gedrag kan aanpassen langs het waarschijnlijkheidspad van ruis naar expert-acties zonder de tokenstructuur te wijzigen.
- Memory-Guided Action Decoder (MGAD): Een lichtgewicht module die de actie-token behandelt als een leerbare query, waardoor deze kan attentionen op multimodale geheugenrepresentaties (visuele, proprioceptieve en taak-tokens) om temporele conditionering en gestructureerde actieverfijning te verbeteren.
Uncertainty-aware Residual Flow (URFlow):
- In plaats van acties direct te regresseren, leert het beleid een tijdafhankelijke snelheidveld dat een Gaussische prior transporteert naar de expert-actieverdeling.
- Cruciaal is dat SUREFlow het verschil tussen de voorspelde snelheid en de analytische doel-snelheid modelleert als een residuele flow.
- Het raamwerk voorspelt gezamenlijk de actiesnelheid ( $\hat{v}_t$ ) en een input-afhankelijke onzekerheidsschatting ( $\hat{s}_t$ , representatief voor log-variantie). Deze formulering behandelt het residu als heteroscedastisch, waarbij wordt erkend dat onzekerheid varieert over actiedimensies en contexten.
Inference-Time Refinement:
- Tijdens de inferentie voert het beleid een deterministisch verfijningsproces uit dat wordt gestuurd door de voorspelde onzekerheid.
- Bij $t=0$ evalueert het model de voorspelde onzekerheid voor elke actiedimensie. Dimensies die een vooraf ingestelde drempelwaarde ( $\tau$ ) overschrijden, worden geïdentificeerd als onbetrouwbaar.
- Deze specifieke dimensies worden selectief verfijnd met behulp van de voorspelde snelheid via een closed-loop update ( $a_i \leftarrow a_i - \eta \hat{v}_{0,i}$ ) zonder externe omgeving-feedback te vereisen. Dit mitigeert foutaccumulatie tijdens iteratieve flow-integratie.

Belangrijkste Bijdragen

Uncertainty-aware Residual Flow (URFlow): De introductie van een verfijningsraamwerk binnen conditional flow matching dat input-afhankelijke snelheidsvariantie leert. Dit maakt selectieve correctie van onbetrouwbare actiedimensies mogelijk met verwaarloosbare computationele overhead, wat de iteratieve flow-integratie stabiliseert.
Memory-Guided Action Decoder (MGAD): Een lichtgewicht decoder die leerbare actie-queries opnieuw laat attentionen op multimodale geheugens, wat de temporele conditionering en robuustheid in generatieve actie-synthese verbetert.
Efficiënt State-Space Generatief Beleid: De eerste integratie van onzekerheidsbewuste residuele verfijning binnen een state-space generatief flow-beleid. SUREFlow bereikt schaalbare, efficiënte generatieve controle met slechts 179 miljoen parameters, waarbij het de afhankelijkheid van miljarden-parameter backbones vermijdt terwijl het conditional flow matching met URFlow en MGAD verenigt.

Experimentele Resultaten

De auteurs hebben SUREFlow geëvalueerd op de LIBERO, Meta-World en LIBERO-PRO benchmarks, waarbij het werd vergeleken met transformer-gebaseerde VLA's (bijv. OpenVLA, Octo), diffusie-beleidsregels en andere state-space methoden (bijv. MaIL).

LIBERO Prestaties: SUREFlow behaalde een gemiddeld succespercentage (SR) van 92,5%, waarmee het de Mamba-gebaseerde MaIL met 34,2% en de transformer-gebaseerde Octo met 17,4% versloeg.
Meta-World Prestaties: Het model behaalde een gemiddelde SR van 88,32%, wat aanzienlijk beter is dan Diffusion Policy (37,6%) en TinyVLA-H (31,6%).
LIBERO-PRO (Robuustheid): Onder diverse perturbaties (objectpositie, semantiek, taak, omgeving) behaalde SUREFlow een genormaliseerde SR van 0,49 met slechts 179 miljoen parameters. Deze prestatie is vergelijkbaar met grootschalige VLA's zoals OpenVLA (7B parameters, SR 0,52) en $\pi0.5$ (3B parameters, SR 0,53), wat aantoont dat onzekerheidsgestuurde verfijning de model schaal kan compenseren.
Real-Robot Validatie: In een real-world kleur-matching en cup-insertion taak met een Franka Emika arm, behaalde SUREFlow een succespercentage van 88,5% over 20 rollouts per kleur, wat de robuustheid tegen real-world perceptie-ruis valideert.
Ablatie-studies: De resultaten bevestigden dat URFlow de meest significante individuele verbetering biedt (0,81 SR vs. 0,72 voor FCM alleen). De combinatie van alle componenten leverde de hoogste prestatie op (0,92 SR). Gevoeligheidsanalyse toonde aan dat een gematigde onzekerheid-weging en 3 verfijningsstappen optimale stabiliteit boden.

Betekenis en Claims

Het artikel claimt dat SUREFlow het gat tussen efficiënte state-space modellering en robuuste generatieve controle overbrugt. Door de integratie van onzekerheidsbewuste residuele verfijning, maakt de methode stabiele langetermijn-rollout uitvoering mogelijk zonder de computationele kosten van grote transformer-backbones of de instabiliteit van open-loop generatieve beleidsregels. De auteurs stellen dat hun aanpak aantoont dat onzekerheidskalibratie en selectieve verfijning cruciaal zijn voor het mitigeren van cumulatieve fouten, waardoor een lichtgewicht model (179M params) een prestatie kan leveren die vergelijkbaar is met miljarden-parameter VLA's in complexe, langdurige manipulatietaken. Het werk benadrukt dat de prestatiewinst voortkomt uit verbeterde modellering van input-afhankelijke onzekerheid in plaats van brute-force schaling.