UCA-Flow
UCA-Flow：机器人动作一步生成，速度与准确率能否兼得？
⚡ **扩散策略动作准确，但反复去噪会拖慢控制。** 一步流模型更快，却常把视觉、时间等条件当作外部信号注入，条件表示不会随动作生成过程变化。《UCA-Flow》提出统一条件—动作建模，让观察和动作在同一序列中共同演化。
🧠 **模型将视觉观察、时间步、生成区间和动作全部变成一等Token，**交给紧凑的Unified Condition-Action Transformer处理。条件Token会根据当前动作状态动态重构，后续动作再读取更新后的条件，由此形成“动作影响理解、理解继续修正动作”的层间闭环，而非固定条件单向指导动作。
🔁 **训练采用改进的双通路监督。** u分支学习适合一步生成的区间平均速度，v分支提供瞬时速度约束以稳定训练；推理时只需一次前向计算即可从噪声得到完整动作轨迹。
📊 **在Adroit与Meta-World共37项任务上，UCA-Flow平均成功率88.2%，比最强基线MP1高9.3个百分点。** 平均延迟仅2.9毫秒，分别比DP3、Simple DP3、FlowPolicy和MP1快45.6、33.4、4.3和2.3倍。真实UR5e实验中，拾取放置成功率65%，抽屉关闭达到100%，每项使用40条人类示范、20次测试。
⚠️ **实机验证目前只有两项桌面任务，尚不能代表长程、开放环境或高自由度机器人表现。** 模型也依赖高质量点云与示范数据。但它证明了一个简单而强的原则：要让机器人一步生成好动作，条件不应只是旁观者，而要和动作一起参与表示更新。
机器人控制 FlowMatching 扩散策略 模仿学习 具身智能 实时控制