北京
原文作者：用户“多多的贾维斯”
原文链接：https://www.xiaohongshu.com/
KAN We Flow? Advancing Robotic Manipulation with 3D Flow Matching via KAN & RWKV
一、整体概述
1. 本文提出KAN-We-Flow，一种用于机器人三维操作的高效流匹配策略模型。
2. 核心贡献在于用RWKV与KAN替代传统大规模UNet骨干，在保持甚至提升成功率的同时，大幅降低参数量与推理延迟。
3. 方法在Adroit、Meta-World、DexArt三大基准上取得当前最优或并列最优性能，参数量减少约86.8%，支持实时控制。
二、研究背景
1、扩散式策略
① 优点是动作分布建模能力强
② 缺点是需要多步去噪，推理慢、模型重，不利于真实机器人部署
2、流匹配策略
① 通过学习一步向量场实现快速生成
② 但现有方法仍大量依赖UNet，计算与存储开销依旧偏大
3、核心问题
如何在保证精度的前提下，进一步压缩模型规模并提升实时性
三、动机直觉
1、RWKV具备线性复杂度的时序建模能力，适合长时序动作预测
2、KAN基于可学习的一维函数逼近，能以更少参数表达复杂非线性映射
3、将二者结合，有望同时解决“长时序依赖”和“参数效率”问题
四、技术路线
1、整体框架
① 采用一致性流匹配，实现一步动作生成
② 输入为点云感知、机器人状态与时间编码
2、核心网络
① RWKV-KAN骨干网络
* RWKV负责时间与通道混合，建模动作序列上下文
* GroupKAN对特征通道进行分组的非线性函数校准，替代传统MLP
② Action Consistency Regularization（ACR）
* 通过欧拉外推，将一步预测动作与专家轨迹在末端对齐
* 提供额外监督，稳定训练，不增加推理成本
3、学习目标
联合一致性流匹配损失与ACR正则项进行端到端训练
五、实验结果
1、性能表现
① 在Adroit、Meta-World、DexArt上整体成功率优于FlowPolicy与DP3
② 在高难度、长时序任务中优势更明显
2、效率对比
① 参数量约33.6M，相比DP3减少86.8%
② 推理时间约8–11ms，满足100Hz实时控制
3、消融实验
① RWKV、GroupKAN与ACR均对性能有稳定增益
② ACR在长预测窗口下显著降低动作漂移
雷峰网
特别声明：以上内容(如有图片或视频亦包括在内)为自媒体平台“网易号”用户上传并发布，本平台仅提供信息存储服务。
Notice: The content above (including the pictures and videos if any) is uploaded and posted by a user of NetEase Hao, which is a social media platform and only provides information storage services.
