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
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。
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
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
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
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
