SUREFlow：用于鲁棒机器人操作的状态空间不确定性感知剩余流匹配

生成视觉-语言-动作策略具有先进的机器人操作能力，但它们通常在噪声、部分可观察性和随机初始条件下表现出不稳定性。在长时间执行期间，小的速度误差会累积，从而降低执行可靠性。现有的扩散和基于流匹配的策略通常假设同方差残差，并且在动作生成中缺乏明确的不确定性建模，从而限制了迭代轨迹执行期间的鲁棒性。我们提出了 SUREFlow，这是一种基于 Mamba 主干的状态空间不确定性感知残差流匹配框架。该方法联合预测动作速度和输入相关的残余不确定性，从而能够在没有环境反馈的情况下选择性地细化不可靠的动作维度，同时保持计算效率。在 LIBERO 上，SUREFlow 的平均成功率 (SR) 达到 92.5%，比基于 Mamba 的 MaIL 高出 34.2%。在 LIBERO-PRO 上，它仅使用 179M 参数就获得了约 49% 的 SR，实现了与具有 3-7B 参数的大型 VLA 相当的性能。 SUREFlow 源代码位于：https://github.com/tanvirnwu/SUREFlow