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

📄 arXiv: 2606.23420v1 📥 PDF

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

分类: cs.RO

发布日期: 2026-06-22

💡 一句话要点

提出潜在动作引导的流匹配策略以解决机器人操作中的结构不匹配问题

🎯 匹配领域: 支柱一：机器人控制 (Robot Control) 支柱二：RL算法与架构 (RL & Architecture) 支柱九：具身大模型 (Embodied Foundation Models)

关键词: 流匹配 机器人操作 潜在动作模型 自适应分布 行为克隆 去噪过程 任务成功率 结构对齐

📋 核心要点

  1. 现有流匹配策略依赖固定的源分布，导致机器人操作中的结构不匹配，影响训练效率和策略性能。
  2. 提出潜在动作引导的流匹配（LAFM）框架，通过自适应的学习分布库替代固定的高斯分布，优化初始化过程。
  3. LAFM在实际应用中表现优异，任务成功率在真实机器人部署中提高23.4%，在LIBERO-90基准上提高10.4%。

📝 摘要（中文）

流匹配最近成为机器人操作行为克隆的新标准。然而，现有的流匹配策略存在系统性的结构不匹配问题，依赖于固定的各向同性源分布，导致模型学习高度纠缠的向量场，限制了训练效率和策略性能。为了解决这一限制，本文提出了潜在动作引导的流匹配（LAFM）框架，替代了单一的高斯分布，采用自适应的学习先验分布库。通过将这些分布与潜在动作模型结合，LAFM能够将当前观察映射到离散运动原语，选择提供结构对齐初始化的基础分布。实验证明，LAFM在实际机器人部署中任务成功率提高了23.4%，在LIBERO-90基准上提高了10.4%。

🔬 方法详解

问题定义：本文旨在解决现有流匹配策略在机器人操作中由于依赖固定源分布而导致的结构不匹配问题。这种问题使得模型学习的向量场高度纠缠，影响了训练效率和策略性能。

核心思路：论文提出的LAFM框架通过引入自适应的学习先验分布库，替代了传统的单一高斯分布。通过潜在动作模型，LAFM能够根据当前观察选择合适的基础分布，从而实现更有效的初始化。

技术框架：LAFM的整体架构包括三个主要模块：首先是潜在动作模型，用于将观察映射到离散运动原语；其次是自适应分布库，提供多种基础分布供选择；最后是去噪过程，利用选择的基础分布进行优化。

关键创新：LAFM的核心创新在于引入了自适应的学习分布库，能够根据具体任务动态调整初始化分布，显著改善了流匹配策略的性能。这一设计与传统方法的固定初始化方式形成鲜明对比。

关键设计：在LAFM中，关键参数包括基础分布的选择机制和损失函数的设计，损失函数考虑了去噪过程中的结构对齐，确保了模型在训练过程中的高效性和准确性。

🖼️ 关键图片

fig_0
fig_1
fig_2

📊 实验亮点

LAFM在实验中表现出色，任务成功率在真实机器人部署中提高了23.4%，在LIBERO-90基准上提高了10.4%。此外，LAFM在性能上超越了大规模预训练的视觉-语言-动作模型，同时使用了更小的网络架构，展示了其高效性。

🎯 应用场景

该研究的潜在应用领域包括机器人操作、自动化制造和人机协作等场景。通过提高机器人在复杂环境中的操作能力，LAFM能够显著提升自动化系统的效率和可靠性，推动智能制造和服务机器人技术的发展。

📄 摘要（原文）

Flow matching has recently become a new standard for behavior cloning in robotic manipulation. However, state-of-the-art flow matching policies suffer from a systematic structural mismatch: they rely on a globally fixed isotropic source distribution despite the strongly fragmented and heteroscedastic structure of robotic action spaces. This agnostic initialization forces the model to learn highly entangled vector fields, bottlenecking training efficiency and limiting overall policy performance. To address this limitation, we introduce Latent Action Guided Flow Matching (LAFM), a novel framework that replaces the monolithic Gaussian with an adaptive library of learned prior distributions. By grounding these distributions using a latent action model, LAFM maps current observations to discrete motion primitives, selecting a specialized base distribution that provides an informed, structurally aligned initialization for the denoising process. This dynamic adaptivity naturally accommodates heteroscedasticity in human demonstrations and makes transport trajectories shorter and less entangled. Empirically, LAFM substantially outperforms standard flow matching formulations, increasing task success rates by 23.4% in real-world robotic deployments and by 10.4% on the LIBERO-90 benchmark. Furthermore, we demonstrate that LAFM achieves state-of-the-art results, surpassing massively pre-trained vision-language-action models while utilizing significantly smaller architectures.