流匹配策略透過學習連續速度場將噪聲對映為動作，實現機器人操作中的快速確定性推理。然而，標準訓練最佳化逐點速度目標，而推理需對速度場進行數值積分，這一不匹配導致軌跡誤差累積。為解決此問題，研究者提出四項互補措施。
首先，輔助整流流速度迴歸在完整時間區間上提供均勻的時間監督。其次，多步軌跡一致性訓練直接監督速度場在軌跡段上的積分位移，縮小訓練與推理之間的差距。第三，速度場正則化強制時間平滑性，防止積分失穩。最後，採用四階龍格-庫塔（RK4）推理，將全域性離散誤差降低數個量級。消融實驗表明，這些元件缺一不可：僅用RK4而無平滑速度場會失敗，僅有平滑而無軌跡級監督仍會產生漂移。
此外，研究還採用雙視角3D點雲編碼器，使用兩個獨立的PointNet編碼器獲取互補空間感知。在Franka機械臂和波士頓動力Spot上的四項真實機器人任務中，該方法在兩個長時程多階段任務上分別取得70%和60%的整體成功率（基線均為0%），並在精密工具放置任務上達到100%。三個MetaWorld模擬任務也證實了一致的改進，驗證了軌跡級監督對可靠策略執行至關重要。該研究發表在arXiv上，論文編號2605.08511，由Riad Ahmed等人完成。