运动学平均流：机器人基础模型的一步动作生成策略

在本文中，我们研究如何在机器人基础模型（RFM）中实现一步动作生成，旨在克服多步流匹配的高推理延迟。 MeanFlow 为这一目标提供了一个有前途的框架，但其直接应用会导致性能崩溃。我们发现，这源于 RFM 速度场中表现出的两个独特的动力学：（1）“局部加速度”在早期表现出稳定性，但在去噪过程结束时急剧激增，以及（2）随着去噪的进行，其幅度在样本中的分布范围扩大。为了解决这些问题，我们引入了运动平均流（K-MF），这是一种为 RFM 量身定制的新颖的一步动作策略。具体来说，基于运动学恒等式，K-MF 解耦了将 MeanFlow 公式中的时间导数项分解为由中间点分隔的两个子区间项，这两个项能够分别捕获早期和后期的去噪动态，同时减轻整个过程中的误差放大。因此，我们的 K-MF 使 RFM 能够在从头开始的训练和跨不同任务的微调范式中实现一步动作生成，同时在大多数设置中优于多步流匹配。在 Eager 和 Compiled 模式下，L40 和 Jetson Orin 的 GR00T-N1.6 的动作头延迟降低了 67.5%~74.4%，端到端延迟降低了 30.3%~54.9% 代码将在 https://github.com/IntelChina-AI/K-MF. 上提供。