用于机器人操作中一步流程匹配的可逆神经网络适配器

本文提出了一种用于一般机器人操作的可逆神经网络适配器，旨在通过一步去噪过程生成基于多模态观察（包括视觉、语言和本体感受输入）的精确高维动作。所提出的适配器建立在流匹配公式的基础上，有效地将动作生成轨迹限制在可逆的潜在空间内，从而只需单个推理步骤即可实现高效、高质量的灵巧动作合成。与传统的迭代流匹配策略相比，所提出的框架大大降低了推理复杂度，同时保持了较高的动作预测准确性和稳定性。在各种模拟基准和现实世界的机器人平台上进行了大量的实验，以评估所提出方法的有效性。在各种仿真基准测试中，所提出的适配器在各种操作任务中始终表现出卓越或接近最先进的性能。此外，现实世界的实验表明，视觉-语言-动作 (VLA) 模型的推理效率显着提高，将平均推理延迟从 110 毫秒减少到 61 毫秒，同时保持强大的任务性能。