FocalPolicy：面向连贯视觉运动策略的频率优化分块与局部锚定流匹配
机器人学
2026-05-21 v2 机器学习
摘要
视觉运动策略旨在从专家演示中学习复杂的操作任务。然而，生成平滑且连贯的轨迹仍然具有挑战性，因为这需要平衡近端精度与远端预见性。现有方法通常侧重于优化块内动作分布，往往忽略了块间连贯性。因此，块间不连续性显著阻碍了连贯长时域动作的学习。为了克服这一限制并实现精度与预见性之间的协同平衡，我们提出了 FocalPolicy，这是一种具有预见性的视觉运动策略，它结合了频率优化分块与局部锚定流匹配。我们引入了一个预见性复合目标，该目标在监督近端动作的时域对齐的同时，对多个未来动作块的频域结构进行正则化，以提高块间连贯性。为了高效学习复杂的动作分布，我们设计了局部锚定采样，以在一致性流匹配训练期间增强目标信号传播效率。大量实验表明，FocalPolicy 优于现有方法，并证实了我们的模块对其他基线的可推广性。项目网站：https://focalpolicy.github.io/
引用
@article{arxiv.2605.15944,
title = {FocalPolicy: Frequency-Optimized Chunking and Locally Anchored Flow Matching for Coherent Visuomotor Policy},
author = {Qian He and Zhenshuo Yang and Wenqi Liang and Chunhui Hao and Nicu Sebe and Jiandong Tian},
journal= {arXiv preprint arXiv:2605.15944},
year = {2026}
}