用于连续一致的机器人动作生成的频率感知流匹配

流量匹配已成为机器人操纵的标准范例，因为它具有强大的表达能力，可以对复杂的多模态动作分布进行建模，以及扩散策略等类似方法。然而，现有的方法依赖于离散的动作块，这使得它们对于以异构控制频率收集的演示来说很脆弱，并且容易出现时间不一致的动作，从而降低控制稳定性。在本文中，我们提出了频率感知流匹配（FAFM），它输出连续的、时间一致的动作。为了处理异构频率输入，我们使用离散余弦变换（DCT）将离散动作序列变换到频域，对结果系数执行流匹配，并通过余弦基扩展重建连续动作。为了生成时间一致的动作，我们对一阶时间导数进行正则化以促进平滑的动作。这对应于 Sobolev 型约束，可抑制高频错误并阻止突然的动作变化。我们的 FAFM 很简单，没有引入额外的网络参数，并且适用于独立的流匹配策略和视觉语言动作模型。在合成玩具基准、避障、LapGym 和 LIBERO 中，FAFM 提高了成功率、多模态表现力、运动平滑度、收敛速度、对机械偏差和混合频率输入的鲁棒性。当部署在现实世界的 Franka 机器人上时，这些收益是一致的。代码可在 https://anonymous.4open.science/r/FAFM 获取。