論文の概要: Kinematic MeanFlow: One-Step Action Generation Policy for Robotic Foundation Models

• arxiv url: http://arxiv.org/abs/2610.00864v1
• Date: Thu, 01 Oct 2026 00:31:19 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-03 01:19:23.818384
• Title: Kinematic MeanFlow: One-Step Action Generation Policy for Robotic Foundation Models
• Title（参考訳）: Kinematic MeanFlow:ロボットファンデーションモデルのためのワンステップアクション生成ポリシー
• Abstract要約: ロボット基礎モデル(RFM)に適した新しいワンステップアクションポリシーであるKinematic MeanFlow(K-MF)を紹介する。 K-MF は MeanFlow の定式化における時間微分項を中間点によって分離された2つの部分区間項に分解する。 GR00T-N1.6のアクションヘッドレイテンシをL40とJetson Orinで67.5%74.4%削減し、30.3%54.9%のエンドツーエンドレイテンシ削減を実現している。
• 参考スコア（独自算出の注目度）: 12.60707859152968
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: In this paper, we study how to achieve one-step action generation in Robotic Foundation Models (RFMs), aiming to overcome the high inference latency of multi-step flow matching. MeanFlow provides a promising framework for this goal, yet its direct application leads to performance collapse. We discover that this stems from two distinctive dynamics exhibited in the RFM velocity field: (1) the ``local acceleration" exhibits stability early on, but surges sharply towards the end of the denoising process, and (2) the spread of its magnitudes across samples widens as denoising progresses. To address these issues, we introduce Kinematic MeanFlow (K-MF), a novel one-step action policy tailored for RFMs. Specifically, grounded in a kinematic identity, K-MF decouples the time derivative term in the MeanFlow formulation into two sub-interval terms separated by an intermediate point. This decoupled formulation enables the two terms to capture early-stage and late-stage denoising dynamics, respectively, while mitigating the error amplification across the process. As a result, our K-MF empowers RFMs to achieve one-step action generation in both training from scratch and fine-tuning paradigms across diverse tasks, while outperforming multi-step flow matching in most settings. In terms of inference efficiency, K-MF reduces action-head latency of GR00T-N1.6 by 67.5%~74.4% across L40 and Jetson Orin in eager and compiled modes, yielding end-to-end latency reductions of 30.3%~54.9%. Code will be available at https://github.com/IntelChina-AI/K-MF.
• Abstract（参考訳）: 本稿では,ロボット基礎モデル(RFM)において,多段階フローマッチングの高推論遅延を克服するために,一段階の動作生成を実現する方法について検討する。 MeanFlowはこの目標に対して有望なフレームワークを提供するが、その直接的なアプリケーションはパフォーマンスを低下させる。 1)「局所加速度」は早期に安定性を示すが、デノナイジングプロセスの終了に向かって急激に上昇し、(2)デノナイジングの進行に伴ってサンプルの規模が拡大する。 これらの問題に対処するために,RFMに適した新しいワンステップアクションポリシーであるKinematic MeanFlow(K-MF)を紹介する。 具体的には、K-MF はキネマティックな同一性に基づいて、MeanFlow の定式化において時間微分項を中間点によって分離された2つの部分区間項に分解する。 この分離された定式化により、この2つの項は、プロセス全体のエラー増幅を緩和しながら、それぞれ初期段階と後期の復調力学をキャプチャすることができる。 その結果、我々のK-MFは、多くの設定においてマルチステップフローマッチングを上回りながら、スクラッチと微調整の両方のパラダイムからトレーニングにおいて一段階のアクション生成を達成するように、RAMに権限を与えている。 推論効率の面では、K-MF は L40 と Jetson Orin 間で GR00T-N1.6 の動作ヘッド遅延を67.5%〜74.4% 削減し、30.3%～54.9% の終端遅延を減少させる。 コードはhttps://github.com/Intel China-AI/K-MF.comから入手できる。

関連論文リスト

• Continuous Adversarial MeanFlow Transfer [30.946652462509068]
  しかし,ManFlow (MF) モデルが予測する有限間隔平均速度には適用されない。 異種音源出力を共有速度表現にマッピングするMeanFlow-Transferを提案する。 次に,MF の有限間隔平均速度から瞬時速度まで,逆流モデルを拡張した後学習段階である Continuous Adversarial MeanFlow を紹介する。
  論文  参考訳（メタデータ） (2026-08-20T01:20:31Z)
• High-Fidelity One-Step Generative Visuomotor Policy via Recursive Correction, Frequency Consistency, and Contrastive Flow Matching [3.5570904967011505]
  拡散や流れのマッチングのような生成モデルは、多モーダルな行動分布をモデル化することによって、ロボットビズモータポリシーを進化させた。 既存のワンステップ加速法は、生成プロセス全体を1つの大きな更新に圧縮し、空間偏差、周波数歪み、モード平均化をもたらす。 本稿では,これらの問題に3つの相補的なメカニズムで対処する,高忠実な1ステップ生成型ビズモータポリシーフレームワークを提案する。
  論文  参考訳（メタデータ） (2026-07-04T13:12:38Z)
• EFlow: Fast Few-Step Video Generator Training from Scratch via Efficient Solution Flow [52.73538517981873]
  EFlowは、ビデオ拡散トランスフォーマーのための効率的な数ステップのトレーニングフレームワークである。 Gated Local-Global Attentionはトークンドロップ可能なハイブリッドブロックである。 Path-Drop Guidedトレーニングは、高価なターゲットを計算的に安価で弱いパスに置き換える。
  論文  参考訳（メタデータ） (2026-03-28T02:06:55Z)
• Riemannian MeanFlow for One-Step Generation on Manifolds [54.09734511705173]
  フローマッチングは、生成モデルのシミュレーション不要なトレーニングを可能にする。 平均フローは、位置依存接空間に速度が存在する多様体値生成に拡張することができる。 球面, トーリ, SO(3)における実験は, 品質・効率のトレードオフを改善し, サンプリングコストを大幅に削減して, 競争力のある一段階サンプリングを実証した。
  論文  参考訳（メタデータ） (2026-03-11T12:41:46Z)
• From Flow to One Step: Real-Time Multi-Modal Trajectory Policies via Implicit Maximum Likelihood Estimation-based Distribution Distillation [18.70033095161235]
  Indicit Likelihood Estimation (IMLE) を用いて条件付きフローマッチングの専門家を高速な単一ステップの学生に蒸留する枠組みを提案する。 双方向のチャンファー距離は、モードカバレッジと忠実度の両方を促進する設定レベルの目的を提供する。 統合認識エンコーダは、さらに多視点RGB、深度、点雲、プロプレセプションを幾何学的認識表現に統合する。
  論文  参考訳（メタデータ） (2026-03-10T09:30:05Z)
• Dual-End Consistency Model [41.982957134224904]
  スロー反復サンプリングは拡散モデルとフローベース生成モデルの実践的展開において大きなボトルネックとなる。 本稿では,安定かつ効果的なトレーニングを実現するために,バイタルサブ軌道クラスタを選択するDual-End Consistency Model (DE-CM)を提案する。 提案手法は,ImageNet 256x256データセットの1ステップ生成において,最先端のFIDスコア1.70を達成し,既存のCMベースのワンステップアプローチよりも優れていた。
  論文  参考訳（メタデータ） (2026-02-11T11:51:01Z)
• Improved Mean Flows: On the Challenges of Fastforward Generative Models [81.10827083963655]
  MeanFlow (MF)は、最近ワンステップ生成モデリングのフレームワークとして確立されている。 ここでは、トレーニング目標とガイダンスメカニズムの両方において、重要な課題に対処する。 我々の改革により、より標準的な回帰問題が発生し、訓練安定性が向上する。 全体として、スクラッチから完全にトレーニングされた$textbfimproved MeanFlow$$(textbfiMF$)メソッドは、ImageNet 256$times$256上の単一の関数評価(1-NFE)で$textbf1.72$ FIDを達成する。
  論文  参考訳（メタデータ） (2025-12-01T18:59:49Z)
• MeanFlow Transformers with Representation Autoencoders [71.45823902973349]
  MeanFlow(MF)は、ノイズからデータへのジャンプを直接学習することで、効率的な数ステップ生成を可能にする拡散動機付き生成モデルである。 我々は、表現オートエンコーダ(RAE)の潜在空間におけるMFの効率的なトレーニングとサンプリング手法を開発する。 1ステップのFIDが2.03であり,バニラMFの3.43を上回っ,GFLOPSのサンプリングを38%削減し,ImageNet 256のトレーニングコストを83%削減した。
  論文  参考訳（メタデータ） (2025-11-17T06:17:08Z)
• Elucidated Rolling Diffusion Models for Probabilistic Weather Forecasting [52.6508222408558]
  Eucidated Rolling Diffusion Models (ERDM)を紹介する。 ERDMはEucidated Diffusion Models (EDM) の原理的, 性能的設計とローリング予測構造を統一する最初のフレームワークである 2D Navier-StokesシミュレーションとERA5グローバル気象予報の1.5円解像度では、ERDMはキー拡散ベースラインを一貫して上回っている。
  論文  参考訳（メタデータ） (2025-06-24T21:44:31Z)
• Fast Diffusion Model [122.36693015093041]
  拡散モデル(DM)は、複雑なデータ分布を捉える能力を持つ様々な分野に採用されている。 本稿では,DM最適化の観点から,高速拡散モデル (FDM) を提案する。
  論文  参考訳（メタデータ） (2023-06-12T09:38:04Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。