💻 computer science

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

SUREFlow 是一个基于 Mamba 骨干网络的、状态空间不确定性感知残差流匹配框架，它通过联合预测动作速度和输入依赖型不确定性，来实现对不可靠动作的选择性精炼，从而在仅使用显著更少的参数量的情况下，实现了与大型视觉-语言-动作模型相媲美的鲁棒机器人操控性能。

原作者： Md Tanvir Islam, Sai Navaneet Peddapalli, Sangmoon Lee, Sangtae Ahn

发布于 2026-07-14

📖 1 分钟阅读☕ 轻松阅读

CC BY 4.0

原作者： Md Tanvir Islam, Sai Navaneet Peddapalli, Sangmoon Lee, Sangtae Ahn

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器人玩杂耍，但它不是在抛接球，而是要移动手臂去捡杯子并堆叠它们。如今大多数机器人的大脑就像一个只会死记硬背单一路径答案的学生。如果这个学生被一颗小石子绊了一下（一点点噪声或一个奇怪的起始位置），他们就会惊慌失措、踉跄跌倒，整个杂耍过程就会彻底崩溃。这是因为他们在速度预测上的微小错误会不断累积，就像滚下山坡的雪球一样，直到任务结束时机器人已经完全做错了事情。

SUREFlow 应运而生，这是一种全新的机器人大脑，它的行为不像是一个死记硬背者，而更像是一个谨慎、具备自我检查能力的导航员。

问题所在：“雪球”效应

论文指出，目前的机器人策略，尤其是那些使用高级“生成式”方法（如扩散模型或流匹配）的方法，通常假设它们的误差在任何地方都是同样大小的。这就像一个司机认为自己要么偏离航向一英寸，要么偏离一英里，而不会觉得两者有区别。实际上，任务的某些部分是困难且具有不确定性的，而另一些部分则很容易。当这些机器人在没有检查工作的情况下运行长序列动作时，微小的速度误差会不断累积，最终导致崩溃。作者明确排除了这样一种观点，即仅仅通过把机器人的大脑变大（使用庞大的“数十亿参数”模型）是解决问题的唯一途径；他们证明了一个更小、更聪明的脑子同样可以做得很好。

解决方案：一个“自带纠错功能”的 GPS

作者提出了 SUREFlow，其全称是 State-space Uncertainty-aware REsidual Flow Matching（状态空间不确定性感知残差流匹配）。这个名字很绕口，让我们用一个类比来拆解它。

想象机器人正在雾气弥漫的路上开车。

Mamba 主干网络： 不同于使用一个巨大的、沉重的引擎（比如需要耗费大量计算资源的庞大 Transformer 模型），SUREFlow 使用了一个轻量级、高效的引擎，叫做 Mamba。它就像一辆灵巧的跑车，可以在长距离行驶中穿梭自如而不感到疲惫。
流匹配（Flow Matching）： 机器人并不只是盲目猜测终点。它学习的是一个“速度场”，这就像是一张风力图，将一艘船从起点（随机噪声）推向终点（正确的动作）。
核心秘诀 (SURE)： 这是神奇之处。SUREFlow 不仅仅是在推动这艘船，它还携带了一个不确定性检测器。它会不断地自问：“我对这个特定动作有多大的把握？”
- 如果机器人很有信心（低不确定性），它就继续平稳行驶。
- 如果机器人有些摇摆不定（高不确定性），它就会踩下刹车，并在手臂移动之前进行一次微小的、精确的修正。

这被称为不确定性感知残差流 (URFlow)。这就像是一个副驾驶在耳边低语：“嘿，那个转弯看起来有点滑，我们稍微调整一下方向盘，”而不需要向人类寻求帮助。这一切完全发生在机器人的大脑内部，无需通过接触现实世界来检查是否正确。

结果：小脑，大成就

研究人员在名为 LIBERO 和 Meta-World 的虚拟世界中测试了它。

得分： SUREFlow 在 LIBERO 测试中实现了 92.5% 的成功率。这是一个巨大的飞跃，比之前的最佳 Mamba 模型 (MaIL) 高出了 34.2%。
规模： 最棒的部分是，SUREFlow 仅有 1.79 亿个参数。为了对比，其他顶尖机器人（如 OpenVLA）需要 30 亿到 70 亿个参数才能达到类似的结果。SUREFlow 就像一辆紧凑型轿车，却能跑出大型卡车的续航里程。
现实世界： 他们还在真实的机器人手臂（Franka Emika）上进行了测试，配备了摄像头。机器人需要捡起特定颜色的杯子并进行堆叠。SUREFlow 的成功率达到了 88.5%，证明这不仅仅是视频游戏里的技巧。

他们并未声称的事（以及为什么这很重要）

论文非常谨慎地界定了自己的主张范围。

它并非声称大模型是没用的；它只是展示了对于这种特定的、复杂的长程任务，具备“不确定性感知能力”比单纯的“规模巨大”更为重要。
它并非说机器人是完美的。在更难的 LIBERO-PRO 测试中，成功率仅为 49%，这表明仍有改进空间，但对于这样一个小型模型来说，这已是巨大的进步。
它明确反对那种认为必须依赖庞大、昂贵的主干网络才能获得鲁棒性能的观点。他们展示了带有“自我检查”机制的轻量级模型可以超越那些巨头。

总结

简单来说，SUREFlow 教会了机器人如何保持谦逊。它不再盲目信任每一个动作，而是学会了识别那些自己拿不准的动作，并立即进行修正。这阻止了“误差雪球”的增长，使得机器人即使在拥有比竞争对手更小、更快的“大脑”时，也能可靠地完成长而复杂的任务。作者认为，这种方法可能是让机器人不再仅仅能在完美实验室中工作，而是能够应对混乱、不可预测的现实世界的关键。

技术摘要：SUREFlow

问题陈述

生成式视觉-语言-动作（VLA）策略虽然推动了机器人操控技术的发展，但在噪声、部分可观测性和随机初始条件下经常表现出不稳定性。一个关键的失效模式发生在长程展开（rollout）过程中：微小的速度误差会不断累积，从而降低执行的可靠性。现有的扩散（diffusion）和流（flow）模型策略通常假设是同方差残差（即均匀不确定性），并且缺乏在动作生成过程中建模或纠正不确定性的显式机制。此外，许多高性能的方法依赖于具有二次计算复杂度的庞大 Transformer 主干网络，或者会产生高昂成本的迭代采样步骤。虽然像 Mamba 这样的状态空间模型（SSM）提供了高效的线性时间建模，但其在生成式机器人控制中的应用仍然有限，特别是在集成用于稳定长程执行的不确定性感知细化方面。

方法论：SUREFlow

作者提出了 SUREFlow（基于状态空间的不确定性感知残差流），这是一个将条件流匹配（conditional flow matching）与基于 Mamba 主干网络的不确定性感知残差细化相统一的框架。

核心架构

主干网络与条件化（Backbone & Conditioning）： 该模型利用 Mamba 状态空间主干进行高效的长程时序建模。多模态输入（多视图 RGB 图像、机器人本体感受状态和自然语言任务嵌入）被编码为一个统一的标记序列（token sequence）。
- 流条件调制（FCM）： 一种通过仿射调制将连续流时间嵌入直接注入中间特征表示的机制，使网络能够在不改变标记结构的情况下，沿着从噪声到专家动作的概率路径自适应行为。
- 记忆引导动作解码器（MGAD）： 一个轻量级模块，将动作标记视为可学习的查询（query），使其能够关注多模态记忆表示（视觉、本体感受和任务标记），以增强时序条件化和结构化动作细化。
不确定性感知残差流（URFlow）：
- 该策略并非直接回归动作，而是学习一个随时间变化的速度场，将高斯先验传输至专家动作分布。
- 至关重要的是，SUREFlow 将预测速度与解析目标速度之间的差异建模为残差流。
- 该框架共同预测动作速度 ( $\hat{v}_t$ ) 和输入相关的确定性估计 ( $\hat{s}_t$ ，代表对数方差）。这种公式化处理将残差视为异方差（heteroscedastic）的，承认不确定性在不同动作维度和上下文之间是变化的。
推理时细化（Inference-Time Refinement）：
- 在推理期间，策略执行由预测不确定性引导的确定性细化程序。
- 在 $t=0$ 时，模型评估每个动作维度的预测不确定性。超过预定义阈值 ( $\tau$ ) 的维度被识别为不可靠。
- 这些特定的维度使用预测的速度通过闭环更新（ $a_i \leftarrow a_i - \eta \hat{v}_{0,i}$ ）进行选择性细化，而无需外部环境反馈。这减轻了迭代流积分过程中的误差累积。

核心贡献

不确定性感知残差流（URFlow）： 在条件流匹配中引入了一种细化框架，该框架学习输入相关的速度方差。这使得以极低的计算开销实现对不可靠动作维度的选择性修正，从而稳定了迭代流积分。
记忆引导动作解码器（MGAD）： 一个轻量级解码器，通过重新关注可学习的动作查询来增强多模态记忆，提升了时序条件化和生成式动作合成的鲁棒性。
高效的状态空间生成式策略： 首个将不确定性感知残差细化集成到状态空间生成式流中的模型。SUREFlow 实现了可扩展、高效的生成式控制，仅需 179M 参数，避免了对数十亿参数主干网络的依赖，同时统一了条件流匹配、URFlow 和 MGAD。

实验结果

作者在 LIBERO、Meta-World 和 LIBERO-PRO 基准测试上评估了 SUREFlow，并将其与基于 Transformer 的 VLA（如 OpenVLA、Octo）、扩散策略以及其他状态空间方法（如 MaIL）进行了对比。

LIBERO 性能： SUREFlow 实现了 92.5% 的平均成功率（SR），分别超过了基于 Mamba 的 MaIL（34.2%）和基于 Transformer 的 Octo（17.4%）。
Meta-World 性能： 该模型达到了 88.32% 的平均成功率，显著超过了扩散策略（37.6%）和 TinyVLA-H（31.6%）。
LIBERO-PRO（鲁棒性）： 在多种扰动（物体位置、语义、任务、环境）下，SUREFlow 仅用 179M 参数实现了 0.49 的归一化成功率。这一表现与 OpenVLA（7B 参数，SR 0.52）和 $\pi0.5$ （3B 参数，SR 0.53）等大规模 VLA 相当，证明了不确定性引导的细化可以补偿模型规模的不足。
真实机器人验证： 在使用 Franka Emika 机械臂进行的真实世界颜色匹配和杯子插入任务中，SUREFlow 在每种颜色的 20 次展开中实现了 88.5% 的成功率，验证了其针对真实世界感知噪声的鲁棒性。
消融实验： 结果证实 URFlow 提供了最显著的单项改进（相比于仅使用 FCM 提升 0.81 SR）。所有组件的结合产生了最高性能（0.92 SR）。敏感性分析表明，适度的不确定性权重和 3 步细化能提供最佳的稳定性。

重要性与主张

论文声称 SUREFlow 填补了高效状态空间建模与鲁棒生成式控制之间的空白。通过集成不确定性感知残差细化，该方法实现了稳定的长程展开执行，且无需承担大规模 Transformer 主干网络的计算成本，也避免了开环生成式策略的不稳定性。作者断言，其方法证明了不确定性校准和选择性细化对于减轻复合误差至关重要，这使得轻量级模型（179M 参数）能够在复杂的长程操控任务中达到与数十亿参数 VLA 相当的性能。这项工作强调，性能的提升源于对输入相关不确定性的改进建模，而非单纯依靠暴力缩放规模。