💻 computer science

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

Este artigo apresenta o KAN-We-Flow, uma política de correspondência de fluxo 3D leve e eficiente para manipulação robótica que substitui pesados backbones UNet por uma nova arquitetura RWKV-KAN e Regularização de Consistência de Ação para alcançar o estado da arte com significativamente menos parâmetros.

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

Publicado 2026-08-19

📖 5 min de leitura🧠 Leitura aprofundada

CC BY 4.0

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

Artigo original sob licença CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). ✨ Esta é uma explicação gerada por IA do artigo abaixo. Não foi escrita nem endossada pelos autores. Para precisão técnica, consulte o artigo original. Ler aviso legal completo

Os robôs há muito lutam com a delicada arte da manipulação. Embora se destaquem no movimento de objetos pesados em linha reta, tarefas que exigem um toque humano — como enfiar uma agulha, girar uma maçaneta ou montar um laptop — têm permanecido elusivas. Durante anos, pesquisadores tentaram ensinar essas habilidades aos robôs mostrando-lhes vídeos de especialistas realizando as ações, um processo conhecido como aprendizado por imitação. As tentativas mais bem-sucedidas recentes basearam-se em modelos matemáticos complexos que atuam como um jogo de adivinhação. Esses modelos começam com um palpite aleatório e ruidoso e o refinam lentamente, passo a passo, até que o palpite se torne um plano claro de movimento. Embora este método funcione bem para produzir movimentos de alta qualidade, ele é dolorosamente lento. O robô deve passar por dezenas de etapas de refinamento para cada ação que realiza, criando um atraso que torna o controle em tempo real impossível. É como tentar dirigir um carro adivinhando a próxima curva, corrigindo o palpite, adivinhando novamente e corrigindo novamente, tudo antes mesmo de o carro ter se movido sequer um centímetro.

Para resolver esse problema de velocidade, cientistas recorreram a uma abordagem mais nova chamada correspondência de fluxo (flow matching). Em vez de dar muitos pequenos passos para refinar um palpite, este método aprende um caminho direto de um ponto inicial aleatório até a ação correta, teoricamente permitindo que o robô decida seu próximo movimento em um único passo. No entanto, um grande obstáculo permanecia: os cérebros computacionais que alimentavam esses modelos ainda eram muito pesados e volumosos. Eles dependiam de arquiteturas massivas e famintas por energia que exigiam servidores poderosos, tornando-os impossíveis de rodar nos pequenos computadores alimentados por bateria encontrados em robôs reais. O campo precisava de uma maneira de manter a velocidade do novo método sem o peso do hardware antigo.

Em um novo estudo, uma equipe de pesquisadores construiu uma política robótica que alcança exatamente esse equilíbrio. Eles introduziram um sistema chamado KAN-We-Flow, que substitui a arquitetura computacional pesada e tradicional por um design muito mais leve e eficiente. Os pesquisadores combinaram dois avanços recentes em inteligência artificial para criar um novo tipo de bloco de processamento. A primeira parte lida com o fluxo do tempo, permitindo que o robô entenda como suas ações se conectam ao longo de uma sequência, muito parecido com seguir uma história em vez de apenas olhar para um único instantâneo. A segunda parte atua como um refinador, ajustando os movimentos do robô com um alto grau de precisidade usando um método que aprende padrões flexíveis e curvos em vez de linhas retas e rígidas. Ao tecer essas duas capacidades, a equipe criou um modelo que é 86,8% menor que os métodos anteriores mais avançados, mas que roda mais rápido e comete menos erros.

Os resultados deste trabalho são impressionantes quando testados contra benchmarks padrão. Em uma série de ambientes simulados envolvendo tarefas como abrir portas, girar canetas e montar móveis, o novo sistema superou consistentemente seus predecessores. Em uma tarefa difícil envolvendo uma mão robótica manipulando uma caneta, o novo modelo alcançou uma taxa de sucesso de 6 de 68%, comparado a 55% do método líder anterior. Em outro teste envolvendo uma porta, atingiu 83% de sucesso, superando o próximo melhor sistema por uma margem significativa. Talvez o mais importante para o uso no mundo real, o sistema é incrivelmente rápido. Ele pode decidir uma nova ação em cerca de 8 a 11 milissegundos, o que é rápido o suficiente para permitir que o robô controle seus movimentos a uma taxa de 100 vezes por segundo. Esta velocidade é comparável aos reflexos de um ser humano, um contraste gritante com os métodos antigos que levavam mais de 100 milissegundos por passo, frequentemente fazendo o robô tropeçar ou errar o alvo completamente.

Para garantir que o robô permanecesse no caminho certo, os pesquisadores adicionaram uma regra de treinamento específica que atua como uma rede de segurança. Durante a fase de aprendizado, o sistema é ensinado não apenas a prever o próximo movimento, mas também a garantir que, se projetasse seu caminho atual para frente, ele pousaria exatamente onde um humano especialista teria terminado. Esta regra evita que o robô se desvie do curso, especialmente durante tarefas longas e complexas. A equipe descobriu que esta adição simples estabilizou o processo de treinamento e melhorou a precisão final sem exigir tempo extra para tomar decisões. Todo o sistema foi testado em três conjuntos diferentes de tarefas, variando de manipulação simples de objetos a montagem complexa, e consistentemente entregou as maiores taxas de sucesso enquanto utilizava uma fração da memória computacional exigida pelos modelos mais antigos.

A significância deste trabalho reside no seu potencial para mover o aprendizado robótico do laboratório para o chão de fábrica ou para dentro de casa. Ao provar que um modelo leve e eficiente pode superar modelos massivos e lentos, os pesquisadores removeram uma barreira importante para a implementação. O novo sistema não requer um supercomputador para rodar; é pequeno o suficiente para caber no próprio robô. Isso significa que os robôs poderiam, eventualmente, aprender novas habilidades sobre a marcha, adaptando-se a novos objetos e ambientes sem precisar de uma conexão constante com um poderoso servidor na nuvem. O estudo sugere que o futuro da manipulação robótica não exige a construção de cérebros maiores e mais pesados, mas sim cérebros mais inteligentes e eficientes que possam pensar rapidamente e agir com a precisão de uma mão humana.

Resumo Técnico: KAN-We-Flow

Definição do Problema

As atuais políticas visuomotoras generativas para manipulação robótica, particularmente aquelas baseadas em modelos de difusão (ex: DP3), destacam-se ao modelar distribuições de ações multimodais complexas. No entanto, elas sofrem com ineficiências significativas de inferência. Esses modelos tipicamente dependem de backbones pesados do tipo UNet e requerem denoising recursivo ao longo de muitos passos para gerar ações, o que leva a uma latência alta que dificulta o controle em tempo real e a implantação em robôs de borda (edge) com recursos limitados.

Embora os paradigmas de Flow Matching (FM) ofereçam uma solução, aprendendo um campo vetorial contínuo que permite a geração de ações em um único passo, as implementações anteriores frequentemente herdam as mesmas arquiteturas UNet grandes e pesadas em parâmetros. Consequentemente, apesar de possuírem amostragem mais rápida que a difusão, esses modelos ainda enfrentam gargalos de contagem de parâmetros e custo computacional, limitando sua praticidade para implantação em borda. Há uma necessidade crítica de uma arquitetura de política que mantenha a precisão e a velocidade de inferência dos modelos de fluxo, enquanto reduz drasticamente o overhead computacional.

Metodologia

Os autores propõem o KAN-We-Flow, uma política de flow-matching leve projetada para substituir backbones UNet pesados por uma nova arquitetura que combina Receptance Weighted Key Value (RWKV) e Kolmogorov-Arnold Networks (KAN).

1. Backbone RWKV-KAN UNet

Em vez de uma UNet padrão, a política utiliza um encoder-decoder de três estágios composto por blocos RWKV-KAN. Este design visa capturar dependências temporais de longo horizonte e realizar calibração de características eficiente com complexidade linear.

Componente RWKV: O módulo RWKV lida com a mistura de tempo e canais. Ele emprega um mecanismo de mistura temporal com decaimento exponencial para propagar o contexto da tarefa através da trajetória de ação com complexidade linear, e um ramo de mistura de canais usando MLPs com não-linearidade squared-ReLU. Isso substitui os mecanismos de auto-atenção computacionalmente caros encontrados em Transformers e as pesadas pilhas convolucionais em UNets.
Componente GroupKAN: Após o RWKV, uma camada GroupKAN aplica mapeamentos funcionais baseados em splines aprendíveis e por grupos. Diferente das MLPs tradicionais que usam funções de ativação fixas e multiplicações de matrizes pesadas, as KANs colocam funções univariadas aprendíveis (parametrizadas por splines) nas arestas da rede. Os autores particionam os canais em grupos, processando cada um com um operador KAN independente que compartilha parâmetros através do tempo. Um mecanismo leve de Modulação de Afinidade de Canal (CAM) é adicionado para reponderar canais adaptativamente com base em estatísticas conscientes da sequência. Esta estrutura permite a aproximação eficiente de funções multivariadas com significativamente menos parâmetros.

2. Consistency Flow Matching (CFM)

A política aprende um fluxo de linha reta consistente em velocidade no espaço de ação.

Objetivo: O modelo minimiza uma perda de consistência ( $L_{CFM}$ ) que garante que o decodificação de dois passos de tempo próximos ( $t$ e $t+\Delta t$ ) resulte no mesmo ponto final e que suas velocidades instantâneas concordem.
Extensão Multi-segmento: Para melhorar a expressividade, o intervalo de tempo $[0, 1]$ é particionado em $K$ segmentos (definido como 2 nos experimentos), otimizando a consistência por segmento para equilibrar eficiência e qualidade.

3. Action Consistency Regularization (ACR)

Para estabilizar o treinamento e melhorar a precisão sem adicionar passos de inferência, os autores introduzem a Action Consistency Regularization (ACR).

Mecanismo: A ACR atua como uma perda auxiliar leve que alinha a trajetória de ação prevista pela política com as demonstrações de especialistas. Ela realiza uma extrapolação de Euler de um passo a partir do estado atual para o fim do horizonte ( $t \to 1$ ) e penaliza o desvio entre esta ação extrapolada e a ação do especialista sobre uma janela de controle específica.
Benefício: Isso fornece uma âncora global de ponto final, reduzindo o drift e os efeitos de viés de exposição durante o treinamento, incurrendo em um custo computacional desprezível.

Principais Contribuições

Arquitetura Inovadora: A introdução do bloco RWKV-KAN, marcando a primeira aplicação dessas arquiteturas específicas (RWKV e GroupKAN) ao aprendizado de políticas visuomotoras robóticas. Este design alcança uma redução drástica no tamanho do modelo e inferência mais rápida sem sacrificar a precisão.
Action Consistency Regularization (ACR): Um novo objetivo auxiliar que ancora as ações decodificadas em um passo às demonstrações de especialistas no horizonte, melhorando a estabilidade e a precisão a um custo desprezível.
Equilíbrio Eficiência-Precisão: A integração desses componentes resulta em uma política que é altamente precisa e computacionalmente eficiente, adequada para implantação em tempo real na borda.

Resultados Experimentais

Os autores avaliaram o KAN-We-Flow em três benchmarks padrão: Adroit, Meta-World e DexArt.

Desempenho: O método alcançou taxas de sucesso estado da arte em todos os domínios.
- Em Adroit, melhorou as taxas de sucesso na tarefa Door para $83.0 \pm 2.0$ (vs. $62.0 \pm 5.0$ para FlowPolicy) e Pen para $68.0 \pm 2.5$ (vs. $55.0 \pm 13.0$ ).
- Em Meta-World, superou as baselines em níveis de dificuldade Easy, Medium, Hard e Very Hard (ex: $92.0 \pm 1.0$ em tarefas Easy vs. $88.2 \pm 1.1$ para MP1).
Eficiência:
- Parâmetros: O modelo usa apenas 33.6M de parâmetros, representando uma redução de 86.8% em comparação aos 255.1M de parâmetros da baseline DP3.
- Velocidade de Inferência: A política alcança velocidades de inferência em tempo real de 8.0–10.1 ms em tarefas Adroit e 6.7–11.8 ms em tarefas Meta-World, permitendo controle de $\sim$ 100 Hz. Isso é significativamente mais rápido que as baselines de difusão (ex: DP3 em $\sim$ 130 ms) e supera métodos de flow-matching existentes como o FlowPolicy.
Estudos de Ablação: Experimentos confirmaram que remover o RWKV, o GroupKAN ou a ACR leva à degradação do desempenho, validando os papéis complementares da mistura de sequência em tempo linear, calibração de spline eficiente em parâmetros e ancoragem de fim de horizonte.

Significância e Alegações

O artigo afirma que o KAN-We-Flow demonstra um caminho claro para políticas robóticas precisas, em tempo real e implantáveis em borda que não dependem de backbones UNet pesados. Ao substituir backbones tradicionais por RWKV e KAN, os autores conseguem separar com sucesso o alto desempenho do alto custo computacional. O trabalho sugere que a combinação de modelagem de sequência eficiente (RWKV) e aproximação de função expressiva e eficiente em parâmetros (KAN) é particularmente bem adequada para manipulação robótica, oferevendo uma solução viável para implantar políticas visuomotoras sofisticadas em hardware com recursos limitados. Os autores observam que o trabalho futuro focará em estender esta abordagem para avaliações em robôs reais, sensoriamento multi-view e tarefas ricas em contato.