Unified Condition-Action Modeling for Accurate One-Step Action Generation
作者: Xinyu Zhou, Zikun Cai, Kuangji Zuo, Gen Li, Boyu Ma, Yanshuo Lu, Yutong Song, Mingqi Yuan, Jiayu Chen, Jianfei Yang
分类: cs.RO
发布日期: 2026-08-17
💡 一句话要点
提出UCA-Flow以解决机器人动作生成中的条件与动作联合建模问题
🎯 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)
关键词: 机器人操作 条件-动作建模 动作生成 深度学习 Transformer
📋 核心要点
- 现有的机器人控制策略在处理条件与动作的关系时，往往将条件视为辅助信号，导致性能不足。
- 本文提出的UCA-Flow框架通过在共享token空间中联合建模条件与动作，提升了动作生成的准确性和效率。
- 实验结果显示，UCA-Flow在成功率上提高了9.3个百分点，并在推理速度上实现了显著的加速，表现优于多个基线方法。
📝 摘要（中文）
机器人操作需要既准确又高效的策略，以应对在严格延迟限制下变化的观察。现有的扩散和流动策略通常将条件视为辅助信号，而不是与动作轨迹共同演变。为此，本文提出了一种统一的条件-动作建模设计，能够在共享的token空间中表示条件和动作，从而提高推理速度和准确性。我们提出的UCA-Flow框架将观察条件、时间步条件、间隔条件和动作token统一为一个序列，并通过统一条件-动作Transformer进行联合表示学习。实验结果表明，UCA-Flow在成功率上比最强基线提高了9.3个百分点，同时在推理速度上实现了显著提升。
🔬 方法详解
问题定义：本文旨在解决机器人操作中条件与动作联合建模的不足，现有方法未能有效整合条件与动作，影响了生成的准确性和效率。
核心思路：UCA-Flow通过将观察条件、时间步条件、间隔条件和动作token整合到一个序列中，利用统一条件-动作Transformer进行联合表示学习，从而动态重构条件表示，提升动作生成的质量。
技术框架：UCA-Flow的整体架构包括数据输入模块、条件与动作的联合建模模块，以及输出生成模块。数据输入模块负责收集和预处理观察条件和动作token，联合建模模块通过Transformer进行信息融合，输出生成模块则负责生成最终的动作决策。
关键创新：最重要的创新在于提出了统一条件-动作建模的设计，使得条件与动作在同一空间中共同演化，克服了传统方法的局限性，显著提高了生成的准确性和速度。
关键设计：在模型设计中，采用了改进的双重监督机制以优化条件-动作建模，具体包括对u和v的监督。此外，Transformer的结构设计也经过优化，以适应动态条件重构的需求。
🖼️ 关键图片
📊 实验亮点
UCA-Flow在实验中表现出色，成功率比最强基线提高了9.3个百分点，同时在推理速度上实现了45.6倍和33.4倍的加速，仍然比一阶段的FlowPolicy和MP1快4.3倍和2.3倍，显示出显著的性能优势。
🎯 应用场景
UCA-Flow框架在机器人操作、自动化控制和智能制造等领域具有广泛的应用潜力。其高效的动作生成能力可以提升机器人在复杂环境中的操作精度和响应速度，推动智能机器人技术的进一步发展。
📄 摘要（原文）
Robot manipulation requires policies that are both accurate and efficient, as robot control must respond to changing observations under tight latency constraints. Recent diffusion and flow policies are promising, but they often treat conditions as auxiliary signals rather than jointly evolving them with action trajectories. We find that this limitation can be effectively mitigated by a \textbf{simple yet effective unified condition-action modeling design} that represents conditions and actions in a shared token space, allowing a compact model to achieve high performance while improving both inference speed and accuracy. Therefore, we propose UCA-Flow, a unified condition-action modeling framework for accurate one-step action generation. Our method unifies observation conditions, timestep conditions, interval conditions, and action tokens into a single sequence, and processes them with a Unified Condition-Action Transformer for joint condition-action representation learning. As a result, condition representations are dynamically reconstructed according to the current generation stage, highlighting information most relevant for action refinement. Furthermore, we introduce an improved dual-pass supervision scheme over $u$ and $v$ for stronger optimization of unified condition-action modeling. UCA-Flow improves the average success rate by 9.3 percentage points over the strongest baseline, while achieving $45.6\times$ and $33.4\times$ speedups over DP3 and Simple DP3, and remaining $4.3\times$ and $2.3\times$ faster than one-step FlowPolicy and MP1, respectively.