流匹配策略通过学习连续速度场将噪声映射为动作，实现机器人操作中的快速确定性推理。然而，标准训练优化逐点速度目标，而推理需对速度场进行数值积分，这一不匹配导致轨迹误差累积。为解决此问题，研究者提出四项互补措施。
首先，辅助整流流速度回归在完整时间区间上提供均匀的时间监督。其次，多步轨迹一致性训练直接监督速度场在轨迹段上的积分位移，缩小训练与推理之间的差距。第三，速度场正则化强制时间平滑性，防止积分失稳。最后，采用四阶龙格-库塔（RK4）推理，将全局离散误差降低数个量级。消融实验表明，这些组件缺一不可：仅用RK4而无平滑速度场会失败，仅有平滑而无轨迹级监督仍会产生漂移。
此外，研究还采用双视角3D点云编码器，使用两个独立的PointNet编码器获取互补空间感知。在Franka机械臂和波士顿动力Spot上的四项真实机器人任务中，该方法在两个长时程多阶段任务上分别取得70%和60%的整体成功率（基线均为0%），并在精密工具放置任务上达到100%。三个MetaWorld仿真任务也证实了一致的改进，验证了轨迹级监督对可靠策略执行至关重要。该研究发表在arXiv上，论文编号2605.08511，由Riad Ahmed等人完成。