FLASH：基于稀疏采样的高效视觉运动策略

近年来，扩散模型和流匹配模型已成为视觉运动策略学习的主流范式，但它们依赖迭代去噪过程，导致推理延迟较高，难以满足机器人实时控制的需求。针对这一问题，研究人员提出了FLASH（Fast Legendre-polynomial Action policy via Sparse History-anchored flow）策略，旨在通过连续勒让德多项式轨迹表示和稀疏时间采样，实现高效的单步推理。

FLASH的核心创新在于用连续勒让德多项式轨迹替代传统的离散动作块生成。通过稀疏时间采样拟合专家演示，FLASH能够在单次推理中覆盖显著延长的动作范围。传统的离散动作块生成方法通常需要多个推理步骤来规划一段连续动作，而FLASH通过连续多项式表示，使得单步推理即可输出完整的轨迹，极大减少了计算开销。

为了进一步加速生成过程，FLASH从历史多项式系数而非无信息的高斯噪声初始化流匹配过程。这一设计缩短了传输距离，使模型能够准确地进行单步推理。此外，解析多项式微分可直接向扭矩控制器提供所需的速度前馈信号，无需数值近似，从而降低了控制延迟。

在实验验证方面，研究团队在五个模拟环境（如杯子堆放、物体转移等）和两个真实世界的操作任务（如机械臂抓取和装配）中进行了广泛测试。结果显示，FLASH在所有任务中均达到了92%以上的成功率，每个episode的推理时间仅为31.40毫秒——比扩散策略快175倍，比先前的流匹配策略快18倍。此外，FLASH的训练收敛速度比ACT快4倍，控制器跟踪误差相比离散动作基线降低了5至7倍。

这些成果表明，FLASH在实时机器人控制方面具有巨大潜力，尤其适用于需要高频更新的高动态任务。未来，研究人员计划探索将FLASH扩展到更复杂的操作场景，并进一步优化其泛化能力。