本文共同第一作者為西安交通大學(xué)碩士生常建磊和博士生梅若風(fēng)。柯煒為西安交通大學(xué)副教授。論文通訊作者為西安交通大學(xué)教授許翔宇，其研究方向涵蓋三維視覺、生成式 AI 與具身智能（個(gè)人主頁：https://xuxy09.github.io/）。

生成式模型正在成為機(jī)器人和具身智能領(lǐng)域的重要范式，它能夠從高維視覺觀測(cè)中直接生成復(fù)雜、靈活的動(dòng)作策略，在操作、抓取等任務(wù)中表現(xiàn)亮眼。但在真實(shí)系統(tǒng)中，這類方法仍面臨兩大「硬傷」：一是訓(xùn)練極度依賴大規(guī)模演示數(shù)據(jù)，二是推理階段需要大量迭代，動(dòng)作生成太慢，難以實(shí)時(shí)控制。

針對(duì)這一核心瓶頸，西安交通大學(xué)研究團(tuán)隊(duì)提出了全新的生成式策略學(xué)習(xí)方法EfficientFlow。該方法通過將等變建模與高效流匹配（Flow Matching）深度融合在顯著提升數(shù)據(jù)效率的同時(shí)，大幅壓縮推理所需的迭代步數(shù)，在多個(gè)機(jī)器人操作基準(zhǔn)上實(shí)現(xiàn)了 SOTA 的性能，并將推理速度提升一個(gè)數(shù)量級(jí)以上。

相關(guān)論文《EfficientFlow: Efficient Equivariant Flow Policy Learning for Embodied AI》已被 AAAI 2026 接收，代碼已開源

• 論文地址：https://arxiv.org/pdf/2512.02020
• 項(xiàng)目主頁：https://efficientflow.github.io/
• GitHub：https://github.com/chang-jl/EfficientFlow

技術(shù)亮點(diǎn)：用物理直覺重塑生成式策略

1. 加速度正則化：讓生成軌跡更直、更快

傳統(tǒng)流匹配的一大痛點(diǎn)是學(xué)習(xí)到的流場(chǎng)曲率過大，導(dǎo)致推理時(shí)仍需多步迭代才能擬合。

怎么讓生成軌跡變直？ EfficientFlow 的設(shè)計(jì)靈感源于物理直覺：現(xiàn)實(shí)中平滑的運(yùn)動(dòng)，往往加速度很小。 因此，EfficientFlow 在損失函數(shù)中引入了加速度正則項(xiàng)，鼓勵(lì)樣本從噪聲分布向數(shù)據(jù)分布演化的過程也是平滑且接近勻速的：

加速度正則項(xiàng)可以近似為：

2. 等變網(wǎng)絡(luò)：讓模型學(xué)會(huì)「舉一反三」

EfficientFlow 等變?cè)O(shè)計(jì)的核心邏輯非常直觀：如果輸入的視覺場(chǎng)景旋轉(zhuǎn)了一定角度，那么機(jī)器人輸出的動(dòng)作自然也該跟隨旋轉(zhuǎn)相同的角度。這帶來了巨大的數(shù)據(jù)優(yōu)勢(shì)，相當(dāng)于一條數(shù)據(jù)就可以產(chǎn)生多條數(shù)據(jù)的效果。模型只需學(xué)習(xí)物體在一個(gè)角度下的操作，就能自動(dòng)泛化到多個(gè)旋轉(zhuǎn)角度，真正實(shí)現(xiàn)了「舉一反三」。

3. 時(shí)間一致性策略：快，還要穩(wěn)

為了保持模型探索多樣化行為的能力，模型引入了周期性重置：每 10 個(gè)預(yù)測(cè)周期，從批次中隨機(jī)選擇一條軌跡進(jìn)行執(zhí)行，而不是選擇最小化重疊距離的那一條。這種方法在保持多模態(tài)性的同時(shí)提高了時(shí)間一致性，并且由于并行化處理，批量化設(shè)計(jì)確保了推理時(shí)間的額外開銷極小。

實(shí)驗(yàn)效果：少數(shù)據(jù)、少步數(shù)，也能打 SOTA

在 MimicGen 等多個(gè)機(jī)器人操作基準(zhǔn)中，EfficientFlow 在有限數(shù)據(jù)條件下展現(xiàn)出媲美甚至超過現(xiàn)有 SOTA 方法的成功率。更關(guān)鍵的是推理效率：在 1 步推理下，EfficientFlow 就能接近 EquiDiff 100 步推理的平均性能，單步推理速度提升 56 倍，5 步推理也有近20 倍加速。消融實(shí)驗(yàn)進(jìn)一步表明，加速度正則化與等變建模缺一不可，共同構(gòu)成了高效生成式策略的關(guān)鍵。