SeFA-策略：基于选择性流对齐的快速准确视觉运动策略学习
机器人学
2025-11-12 v1 机器学习
摘要
开发高效且准确的视觉运动策略是机器人仿照学习中的核心挑战。虽然最近的纠正流方法推进了视觉运动策略学习，但存在一个关键限制：在迭代提炼后，生成的动作可能偏离与当前视觉观察对应的ground-truth动作，导致随着reflow过程的重复而积累误差以及不稳定的任务执行。我们提出选择性流对齐（SeFA），一个高效且准确的视觉运动策略学习框架。SeFA通过选择性流对齐策略解决了这一挑战，该策略利用专家演示来选择性纠正生成的动作并恢复与观察的一致性，同时保持多模态性。这种设计引入了一个一致性纠正机制，确保生成的动作保持与观察一致，而不牺牲单步流推理的效率。广泛的实验在模拟和真实世界的操纵任务上表明，SeFA策略超过了现有的基于扩散的和基于流的SOTA策略，实现了卓越的准确性和鲁棒性，同时将推理延迟降低了超过98%。通过将纠正流效率与观察一致的动作生成统一起来，SeFA为实时视觉运动策略学习提供了一个可扩展且可靠的解决方案。代码可在 https://github.com/RongXueZoe/SeFA 获取。
引用
@article{arxiv.2511.08583,
title = {SeFA-Policy: Fast and Accurate Visuomotor Policy Learning with Selective Flow Alignment},
author = {Rong Xue and Jiageng Mao and Mingtong Zhang and Yue Wang},
journal= {arXiv preprint arXiv:2511.08583},
year = {2025}
}