小编：简介：Sheng Juyi是北京大学学习的医生，并研究了机器人技能研究的方向； Wang Ziyi和Li Peiming，北京
简介：Sheng Juyi是北京大学学习的医生，并研究了机器人技能研究的方向；北北京大学的硕士学生王Ziyi和李·佩林（Li Peiming）具有视频理解和评论的方向；千江大学控制科学与工程学院的教授刘Yong（Liu Yong）拥有自主机器人和智能系统的研究领域；北京大学深圳研究生院的助理教授刘·孟尤恩（Liu Mengyuan）了解了了解人类行为和研究机器人技能的研究领域。在当前的VLA模型中，“ A”一代模型决定了作用生成的质量和速度。具体而言，生成模型在受孕速度和任务成功率之间具有“基本权衡”。其中，PAG模型的方法（例如扩散策略和DP3）通过多步变体生成高质量的动作序列，但是识别速度很慢，D符合实时控制要求；尽管基于流动的模型（例如流动电池）需要额外的建筑屏障或一致性损失，以确保轨迹有效性，从而提高了设计的复杂性并可能限制性能和慷慨的功能。此外，机器人操作面临着另一个挑战，尤其是良好的数据放置。仿制研究的标准技术容易容易出现“特色特征”，这意味着需要不同动作的关键状态不当 - 绘制了类似的自然表示，导致模型无法准确响应新情况。因此，提高模型识别不同状态的能力是改善方法的关键。为了应对上述挑战，北京大学的一名研究团队提出了一个新的机器人研究框架，称为MP1。该框架引入了Meanflow Paradigbab，该范围最近在图像领域创造了突破对于学生机器人而言，一代人达到了毫秒级的速度，为VLA产生的动作产生奠定了基础。纸张标题：MP1：机器人操纵纸链接1-步骤中的平均流量tames tames学习链接：https：//arxiv.org/abs/2507.10543代码链接：https：//github.com/logssim/mp1 mp1- paradigm mp1 paradigm mp1 paradigm mp1 paradigm mp1 paradigm mp1 paradigm mp1 paradigm mp1 paradigm mp1关键转换转换的转换关键变化的转换在关键变化转换的关键变化的转换的关键变化的转换的关键变化的转换的主要变化的转换的主要变化的转换的关键变化的关键变化的转换的关键变化转换的关键变化转换的关键变化变化的关键变化变化的变化是主要变化的变化。传统的流程匹配学会了一个立即的速度场。当推理时，有必要解析普通差 - 方程式（ODE）以包括轨迹。这个过程是不仅耗时，而且还引入并累积了数字错误。相比之下，MP1直接从初始噪声到目标运动学习了差距n是场速度。从技术上讲，MP1使用“平均流体身份”，该模型在理解时无需任何重要解决方案即可直接到平均速度场。该设计带来了两个主要优点：真正的单步生成（1-NFE）：该模型只需要一个网络向前传播即可直接从随机噪声中产生一个完整的动作轨迹，从而完全摆脱了迭代ode求解器中的期望。结合简单性：由于其数学表格的完整性，MP1自然可以保证轨迹的质量而不必引入外部一致性 - 诸如FlowPolicy之类的方法依赖于诸如FlowPolicy之类的障碍，从而使模型的设计更短而优雅。这种方法是从数学原理中解决问题，而不是依靠工程技能r修补，MP1不仅可以实现跳投，而且更重要的是，单个时间和确定性的传播过程可确保理解时间的高度稳定性，从而确保机器人操作中的实时性能。损失的患病率在解决轨迹产生的动态问题后改善了小样本的总体概括，MP1在机器人研究中改善了“代表崩溃”的问题。该问题是指在相似的空间位置中需要采取各种操作的关键状态的有效状态的策略网络，从而导致该模型在小型样本研究中的一般能力降低。 MP1引入了来自表示形式研究领域的Pinnovative方法 - 传播损失。这是一个轻巧的正规化术语，仅在培训阶段生效，旨在直接优化策略网络表示的内部空间。它的主要思想是进行“ePullifial“通过受过训练的小型批量训练的不同输入样本的潜在表示”，迫使它们在特征空间中彼此之间的蔓延。这种损失可以理解为“没有正面样本的损失，不积极样本”：网络网络回归的主要目的是将每个州“拉动”损失的相应动作“将损失的相应范围“拉动”，同时识别出“识别”的范围，从而识别出“不同”的范围。扩散损失的优势是，这是实践中的常规事件。HAT在Adroit和Meta-World基准中证明了MP1性能的好处，涵盖了37个复杂的操作活动。与当前的晚期流量（71.6％）和DP3模型扩散（68.7％）相比，就任务成功率而言，出色的工作成功率和稳定性，平均MP1成功率分别为7.3％和10.2％。特别关键的是，在更高的贫困活动中，MP1的好处变得越来越闻名。在元世界的“媒介”，“硬”和“非常困难”的任务集中，与流盘相比，MP1的成功率分别增加了约9.8％，17.9％和15.0％。此外，MP1显示出非常高的性能稳定性。在许多随机种子实验中，其与成功率的标准偏差仅为±2.1％，比其他基线方法少，显示出高可靠性并重新产生其结果。良好的理解效率和实时控制功能在获得更高的成功率的同时，MP1的倾斜速度也设定了新的音符。在NVIDIA RTX 4090 GPU中，理解时间仅为6.8ms。该速度比当前最快流动流动流（12.6 ms）快2倍，比强大的扩散模型DP3（132.2 ms）快19倍。如此低的延迟意味着MP1循环决策完全满足机器人技术领域中标准的实时控制频率（通常为20-50毫秒）。旅行能够研究某些样本以进一步证明散落损失在提高模型数据效率方面的作用的能力，研究小组还对某些样本进行了研究研究。实验结果表明，在所有数据订单中，MP1始终优于流盘，尤其是在很小的样本场景中，教学数据非常混乱（例如2-5）。这强烈证明，分散损失可以有效地提高样本研究B的整体方法的能力By优化内部表征空间，这可以减少实际机械扩展期间对大量数据的需求。 MP1的房地机验证团队将MP1部署到ARX R5双臂机器人中，并通过五个真正的台式操作活动对其进行了测试。实验结果将进一步确认MP1性能。在所有五个活动中，MP1取得了最高的成功率和任务的最短完成时间。以“悍马”活动为例，MP1的成功率高达90％，占流量和DP3的70％以上。同时，其平均工作仅持续18.6秒，其速度明显高于Flowpolicy（22.3秒）和DP3（31.1秒）。
当前网址：https://www.tianyuanqing.com//a/keji/1156.html
