FBFM：用于世界动作模型执行中的流程匹配的 无需训练 异步反馈机制

尽管世界动作模型（WAM）通过在行动前预测视觉进化来增强长视野机器人控制，但长视野可靠性需要在实际观察中反复重新建立基础，而不是递归预测轨迹。现有的 WAM 通过在块之间使用 真值 数据刷新历史记录或 KV 缓存来解决此问题。然而，这种按块的反馈在粗时间粒度上运行，因此无法纠正单个时间步级别的预测错误。为了解决这个问题，我们提出了反馈流匹配（FBFM），这是一种 无需训练 推理机制，可在主动生成的块内推动与真实观测重新对齐。在流匹配期间，FBFM 对条件速度场应用掩模伪逆校正：它利用前面的动作块来指导下一个动作块的生成，并使用执行前面的块后观察到的图像来指导下一帧预测。这种跨块配对（来自一个块的反馈及时到达以塑造下一个块）创建了一个异步循环，无需等待块边界即可纠正错误。该机制为 无需训练，可提高对意外事件的响应能力并抑制长期任务中的漂移。我们在联合生成的 WAM (DreamZero) 和阶段式 WAM (LingBot-VA) 上评估 FBFM。在选定的 LIBERO 和 RoboTwin2.0 任务中，它在有利的环境下将成功率提高了 5% 以上，并且现实世界的机器人观察预测诊断显示出明显更好的跟踪。我们认为 FBFM 为细粒度在线校正提供了一种新范例，将开环流生成与闭环现实世界动态联系起来。