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 一、整体概述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。二、研究背景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 三、动机直觉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”问题四、技术路线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MLP② 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五、实验结果1、性能表现① 在Adroit、Meta-World、DexArt上整体成功率优于FlowPolicy与DP3② 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(公众号：雷峰网)