文章核心观点 - 新加坡南洋理工大学MARS Lab提出了一种名为Action-to-Action Flow Matching的新机器人动作生成范式，该范式通过将生成起点从随机噪声替换为历史机器人轨迹，显著提升了训练效率、推理速度和泛化能力，解决了扩散策略在实时控制场景中的推理延迟瓶颈 [2][5][6] 技术背景与核心范式 - 背景：扩散策略是机器人多模态动作建模的主流方法，但其依赖从随机噪声进行多步迭代解噪，推理延迟高，构成实时控制的关键瓶颈 [5] - 核心范式：A2A策略将动作生成的基准从“随机噪声”切换为“动作历史”，在更具相关性的历史与未来动作分布间建立联系，从而拉近了分布距离 [5][6] - 技术实现：在潜空间完成Flow Matching学习，将初始分布由高斯噪声替换为历史Action的编码信号，使得起点与终点的物理距离极近且分布高度对齐，仅需轻量级MLP架构与单步Euler积分即可快速生成高质量动作 [8][9] 性能表现 - 训练效率：A2A展现出极快的收敛速度，仅需少量训练轮次即可达到稳定的100%成功率，在5类仿真任务中，其成功率全面领先于8种主流方法 [11] - 具体数据：在Close Box任务中成功率为92%，Pick Cube任务为92%，Stack Cube任务为86%，Open Drawer任务为92%，Pick-Place Bowl任务为90% [13] - 推理速度：A2A实现了亚毫秒级的极致推理速度，平均延迟仅约1ms，单步推理模式下延迟低至0.56ms，比传统扩散策略快20倍，比常规流匹配方法快5倍 [13] 泛化能力 - 环境扰动：面对场景随机化、灯光扰动或视角切换，A2A的成功率均领先于现有算法，这归功于其将动作历史作为稳固先验，减少了对易受干扰视觉特征的依赖 [16] - 视觉泛化：在将抓取木块换成从未见过的发光方块的测试中，传统扩散和流匹配策略均彻底失效，而A2A仍可维持80%的高成功率 [17] - 具体数据：在Level 1扰动下，A2A (6步)成功率为38%，而VITA为4%，FM-UNet为6%，DDPM-UNet为2% [18] 发展潜力 - 当前局限：A2A目前训练过程涉及多个训练目标，如何进一步简化训练目标值得探索 [20] - 扩展应用：该逻辑普适于各类具有时间连续性的任务，研究团队已将其扩展至视频生成领域，提出F2F范式，生成的图像质量指标显著优于传统的确定性回归基准，展现了广阔的具身智能应用前景 [20]