Kinematic MeanFlow: One-Step Action Generation Policy for Robotic Foundation Models
Aggiunta all'archivio di AIChronos il (numero del 7 ottobre 2026 ricostruito)· fonte del · Jiawei Fan, Sifeng Wang, Yuqing Hou, Anbang Yao (Intel Labs China)
Questo studio introduce Kinematic MeanFlow (K-MF), un framework per la generazione di azioni in un singolo passo destinata ai Robotic Foundation Models (RFMs). L'approccio risolve il problema del collasso delle prestazioni osservato nell'applicazione diretta del MeanFlow, che soffre di alta latenza e instabilità dinamica durante il processo di denoising. K-MF decoupla i termini derivati temporali sfruttando un'identità cinematica per gestire separatamente le dinamiche iniziali e finali della generazione. Di conseguenza, la tecnica riduce significativamente la latenza dell'inferenza rispetto ai metodi multi-step flow matching in diversi paradigmi di addestramento.
- K-MF supera il collasso delle prestazioni del MeanFlow diretto negli RFMs affrontando l'accelerazione locale e l'allargamento della dispersione dei valori.
- La formulazione decouplata separa i termini di derivata temporale in due sotto-intervalli per mitigare l'amplificazione degli errori durante il denoising.
- L'applicazione su GR00T-N1.6 riduce la latenza dell'head delle azioni del 67,5%~74,4%, portando a una riduzione end-to-end complessiva tra il 30,3% e il 54,9%.
- Il metodo è efficace sia nell'addestramento da zero (training from scratch) che nel fine-tuning su compiti diversificati.
Perché conta. Per gli sviluppatori di agenti autonomi o sistemi robotici locali, K-MF offre un modo pratico per accelerare drasticamente l'inferenza senza sacrificare la precisione, rendendo fattibile il deployment in tempo reale.
Vai alla fonte originale ↗ arXiv ↗
Scheda generata automaticamente da un modello AI locale a partire dalla fonte originale: può contenere imprecisioni.