💻 computer science

Flowing With Purpose: Latent Action Guided Flow Matching Policies For Robotic Manipulation

本文介绍了潜在动作引导流匹配（Latent Action Guided Flow Matching, LAFM），这是一种新型机器人操控框架，它通过由潜在动作模型支撑的自适应学习分布库来取代固定的高斯先验，以解决动作空间中的结构性失配问题，从而在训练效率和任务成功率方面显著优于标准的流匹配和大型预训练模型。

原作者： Bruno Machado, Alexandre Chapin, Emmanuel Dellandrea, Liming Chen

发布于 2026-06-23

📖 1 分钟阅读☕ 轻松阅读

CC BY 4.0

原作者： Bruno Machado, Alexandre Chapin, Emmanuel Dellandrea, Liming Chen

原始论文采用 CC BY 4.0 许可（http://creativecommons.org/licenses/by/4.0/）。 ✨ 这是对下方论文的AI生成解释。它不是由作者撰写或认可的。如需技术准确性，请参阅原始论文。阅读完整免责声明

想象一下，你正在教一个机械臂执行复杂的任务，比如堆叠碗或者打开抽屉。为了做到这一点，机器人需要学习一种“策略”——即一套规则，告诉机械臂如何从当前位置移动到目标位置。

近年来，教机器人完成这些任务的最佳方法叫做流匹配（Flow Matching）。把流匹配想象成一个 GPS 导航系统。机器人从一个“噪声”位置（一个随机、混乱的潜在运动集合）出发，需要驶向一个“目标”位置（完成任务所需的完美、平滑的运动）。AI 学习的是连接噪声与目标的“道路”（向量场）。

问题所在：并非所有情况都适用同一种方案

目前的标准 GPS（标准流匹配）有一个主要缺陷：它假设每一次行程都必须从完全相同的随机地点出发。

想象你是一名出租车司机。有时你需要开车去一个安静的图书馆（一个非常具体、精准的动作）。其他时候，你可能要去参加一个混乱的音乐节（一个广泛、多变的动作）。

旧方法： GPS 强迫你无论去图书馆还是音乐节，都必须从沙漠中心完全相同的随机停车场出发。你必须横穿整个沙漠才能到达属于你特定行程的起点。这使得机器人的“道路”（AI 的学习路径）变得极其纠缠、混乱且低效。
现实情况： 机器人的任务是“异方差性”的（heteroscedastic）。这是一个高级词汇，意思是有些任务非常可预测（低方差），而另一些任务则非常狂野多变（高方差）。单一的起点无法同时处理好这两者。

解决方案：LAFM（潜动作引导流匹配）

该论文的作者引入了 LAFM，它就像是你出租车车队的智能调度员。

LAFM 不再让每次行程都从同一个随机沙漠点出发，而是使用了一个潜动作模型（Latent Action Model, LAM）。你可以把 LAM 想象成一位“运动图书管理员”。

图书管理员： 在机器人开始移动之前，LAM 会观察当前的场景并询问：“这是一种什么样的运动？”是精细的“拿起”动作？还是“推”的动作？或者是“堆叠”动作？
图书馆： LAM 拥有一个由不同“起始区域”（先验分布）组成的图书馆。每个区域都针对特定类型的运动进行了专业化设计。
匹配： 如果机器人需要做一个精细的“拿起”动作，LAM 会把它送到紧邻图书馆的起始区域。如果它需要跳一段狂野的“舞蹈”，LAM 则会把它送到靠近音乐节的起始区域。

通过让机器人的旅程从一个与任务相匹配的“智能”起点出发，机器人就不必横穿沙漠。路径变得更短、更直，也更少纠缠。

他们如何证明其有效性

研究人员通过两种方式测试了这个全新的“智能调度员”系统：

真实世界机器人： 他们使用了一个真实的机械臂（Franka Emika Panda）来完成四项任务：将盘子放入沥水架、用螺丝刀打开抽屉、扔掉罐头以及堆叠碗。
- 结果： 新方法（LAFM）比旧的标准方法成功率高出 23.4%。尽管 LAFM 的规模要小得多，但它的表现甚至优于一个拥有 30 倍参数量（内存）的庞大预训练 AI 模型 $\pi_0$ 。
模拟基准测试 (LIBERO)： 他们在一个包含 90 个不同任务的复杂视频游戏模拟器中测试了机器人。
- 结果： LAFM 比标准方法实现了 10.4% 的更高成功率。它击败了几乎所有顶尖的机器人 AI，包括那些在海量数据集上进行预训练的模型。

核心要点

该论文声称，通过仅仅改变机器人开始学习旅程的位置（从单一的随机点变为一个智能起始点库），你可以让机器人学习得更快、移动得更平滑，并能更频繁地成功完成任务。

他们不仅仅是增加了一点额外的训练；他们从根本上改变了学习过程的几何结构。机器人不再需要解开一个混乱的可能性的结；它被赋予了一条与特定工作相匹配的、预先分类好的路径。

简而言之： LAFM 停止了机器人盲目猜测起点的行为。它根据机器人所见到的场景，给了机器人一个“领先优势”，使得整个学习如何移动的过程变得更加高效且成功。

技术摘要：潜在动作引导的流匹配 (Latent Action Guided Flow Matching, LAFM)

问题陈述

流匹配（Flow Matching）已成为机器人操控领域的一种领先范式，通过学习从源分布到目标动作分布的连续传输场，提供了比基于扩散的策略更快的推理速度和更稳定的优化性能。然而，最先进的流匹配策略存在一个系统性的结构失配问题。它们依赖于一个全局固定的各向同性高斯源分布 ( $N(0, I)$ )，这无法解释机器人动作空间中**高度碎片化且异方差（heteroscedastic）**的特性。

在机器人操控任务中，相同的视觉观测可能对应多种有效的运动未来（例如，不同的抓取策略或交互意图）。强制将单一且无结构的源分布连接到这些界限分明的动作模态，会导致高度纠缠的向量场。这迫使模型学习复杂的传输路径，即附近的噪声样本必须演化向遥远的目标，从而限制了训练效率并制约了策略性能。此外，单一的固定先验无法捕捉模态相关的确定性，从而隐式地在根本不同的运动机制之间强加了同质的方差。

方法论：潜在动作引导的流匹配 (LAFM)

LAFM 通过使用由潜在动作模型 (Latent Action Model, LAM) 支撑的学习型自适应先验分布库来取代单调的高斯先验，从而解决了上述局限性。

核心架构

该框架由三个主要部分组成：

潜在动作模型 (LAM)： 经过预训练，将观测值 ( $o_t, o_{t+T}$ ) 之间的时序动力学压缩到离散的潜在空间 $C = \{1, \dots, C\}$ 中。这提供了一种高层运动原语（motion primitives）而非瞬时控制的表示。
策略编码器 (Policy Encoder)： 直接从当前观测中预测潜在动作的类别分布 ( $\pi_k(o_t)$ )。该预测作为一种结构化偏置，用于选择应使用的先验分布。
流匹配解码器 (Flow Matching Decoder)： 解码器不再从单一的全局高斯分布中采样噪声，而是从由编码器预测的潜在动作索引 $k$ 所选定的特定先验 $N(\mu_k, \Sigma_k)$ 中进行采样。

训练目标

训练过程最小化一个包含以下项的复合损失函数（公式 5）：

自适应流匹配损失 ( $L_{AFM}$ )： 网络回归去噪向量场 $u_\theta(A^\tau_t | A_t) = A_t - \epsilon_k$ ，其中 $\epsilon_k$ 是从选定的潜在条件先验中采样的。
潜在动作分类损失 ( $L_{CCE}$ )： 类别交叉熵损失，确保编码器能准确预测与地面真值运动原语相对应的潜在动作索引。
KL 散度正则化 ( $R_{KL}$ )： 一个辅助损失，惩罚学习到的先验与标准正态分布之间的差异。这可以防止过度专业化，并确保训练稳定性，特别是针对代表性不足的运动原语。

理论依据

作者形式化了这样一个直觉：构建源分布可以减轻传输负担。命题 1 证明，如果先验分布与条件动作分布的不同模态对齐，那么在假设完美模态耦合的前提下，期望平方传输距离 ( $E||A_t - \epsilon_k||^2$ ) 严格小于或等于单一各向同性先验的传输距离。这产生了更短、且纠缠程度更低的传输轨迹。

核心贡献

新颖的公式化方法： 引入了 LAFM，这是一个条件流匹配框架，其源分布是根据潜在运动原语动态地从可学习先验库中进行选择，而非固定的。
结构化归纳偏置： 一种利用 LAM 来锚定这些先验的机制，将潜在动作从一种预训练信号转变为对传输过程几何结构的直接结构化偏置。
经验优越性： 证明了构建源分布能显著提升在模拟环境和真实世界设置中的控制性能，其表现优于标准的流匹配和规模更大的视觉-语言-动作 (VLA) 模型。

实验结果

作者在真实世界机器人部署和 LIBERO 模拟基准测试中对 LAFM 进行了评估。

真实世界实验

在执行四项操控任务（叠盘、抽屉操作、丢弃罐头、叠碗）的 Franka Emika Panda 机械臂上进行的评估：

成功率： LAFM 实现了 86.7% 的平均成功率，超过标准流匹配 (FM) 基线 (63.3%) 23.4%，并超过大型预训练 VLA $\pi_0$ (71.7%) 15.0%。
完成得分： LAFM 比 FM 提高了 18.9% 的连续完成得分，比 $\pi_0$ 提高了 11.0%。
效率： 尽管参数量显著减少且没有大规模预训练，LAFM (0.11B 参数) 仍表现优于 $\pi_0$ (3.3B 参数)。

模拟基准测试 (LIBERO)

LIBERO-10 (空间、物体、目标、长程)： LAFM 实现了 96.5% 的平均成功率，略微超过了标准 FM 基线 (95.4%) 以及其他大型 VLA 模型如 UniVLA (95.2%)。
LIBERO-90： 在这个更复杂的 90 项任务套件中，LAFM 达到了 93.0% 的成功率，比标准 FM 基线 (82.6%) 实现了 10.4% 的绝对增益，并超越了包括 $\pi_0$ (92.1%) 在内的所有其他基线。

消融实验

通过将 LAFM 与 "FM + LAC"（带有潜在动作条件的流匹配，其中潜在动作作为输入提供，但噪声仍采样自单一高斯分布）进行对比，研究表明虽然辅助监督有所帮助，但结构化先验本身才是性能提升的主要驱动力。

意义与主张

论文声称，LAFM 通过解决标准流匹配中的结构性低效问题，建立了一个鲁棒、高效且可扩展的机器人操控范式。通过利用潜在动作将去噪过程的初始化与粗粒度的运动意图对齐，该方法：

解耦了向量场，使学习任务变得更容易且样本效率更高。
适应了人类演示中的异方差性，允许模型根据运动原语调整方差。
实现了最先进的结果，使用了比大规模预训练 VLA 更小的架构，这表明在生成模型中进行结构性改进所带来的性能收益可能大于单纯通过扩大模型规模。

作者指出，尽管该方法非常有效，但未来仍需进一步完善 LAM，以更好地将机器人运动学与无关的视觉动力学（例如相机偏移）分离，并将多先验流匹配直接集成到大规模 VLA 预训练流水线中。