（来源：机器之心）

本文共同第一作者为西安交通大学硕士生常建磊和博士生梅若风。柯炜为西安交通大学副教授。论文通讯作者为西安交通大学教授许翔宇，其研究方向涵盖三维视觉、生成式 AI 与具身智能（个人主页：https://xuxy09.github.io/）。

生成式模型正在成为机器人和具身智能领域的重要范式，它能够从高维视觉观测中直接生成复杂、灵活的动作策略，在操作、抓取等任务中表现亮眼。但在真实系统中，这类方法仍面临两大「硬伤」：一是训练极度依赖大规模演示数据，二是推理阶段需要大量迭代，动作生成太慢，难以实时控制。

针对这一核心瓶颈，西安交通大学研究团队提出了全新的生成式策略学习方法 EfficientFlow。该方法通过将等变建模与高效流匹配（Flow Matching）深度融合，在显著提升数据效率的同时，大幅压缩推理所需的迭代步数，在多个机器人操作基准上实现了 SOTA 的性能，并将推理速度提升一个数量级以上。

相关论文《EfficientFlow: Efficient Equivariant Flow Policy Learning for Embodied AI》已被 AAAI 2026 接收，代码已开源。

• 论文地址：https://arxiv.org/pdf/2512.02020

• 项目主页：https://efficientflow.github.io/

• GitHub：https://github.com/chang-jl/EfficientFlow

技术亮点：用物理直觉重塑生成式策略

1. 加速度正则化：让生成轨迹更直、更快

传统流匹配的一大痛点是学习到的流场曲率过大，导致推理时仍需多步迭代才能拟合。

怎么让生成轨迹变直？ EfficientFlow 的设计灵感源于物理直觉：现实中平滑的运动，往往加速度很小。 因此，EfficientFlow 在损失函数中引入了加速度正则项，鼓励样本从噪声分布向数据分布演化的过程也是平滑且接近匀速的：

其中是正则化系数。在实践中，采用

时则优先考虑准确性。

，在早期时间鼓励更平滑的轨迹，而在

加速度正则项可以近似为：

然而，该式难以直接计算，因为

位于同一条未知的流轨迹上。为克服这一困难，EfficientFlow 引入了流加速度上界（FABO）：

和 

其中，和 

 来自同一个条件概率路径，很容易通过采样得到。

本质上，FABO 是一个易于计算且有效的代理损失。同时，上界 FABO 与原式的差值等效于 

的正则化，让模型生成的策略更稳、更鲁棒。

，可以看作对雅可比矩阵 

2. 等变网络：让模型学会「举一反三」

EfficientFlow 等变设计的核心逻辑非常直观：如果输入的视觉场景旋转了一定角度，那么机器人输出的动作自然也该跟随旋转相同的角度。这带来了巨大的数据优势，相当于一条数据就可以产生多条数据的效果。模型只需学习物体在一个角度下的操作，就能自动泛化到多个旋转角度，真正实现了「举一反三」。

EfficientFlow 基于 escnn 库构建，将机器人在时间的动作表示为一个 10 维向量 

，包含 6D 旋转表示、3D 平移向量和标量抓手宽度。动作输出对应的等变表示为：

这种表示使得

对称性的预测动作，从而确保在场景进行平面旋转时行为的一致性。

能够生成遵循任务 

等变网络和观测。模型将等变群设定为一个有限循环子群 映射为嵌入  映射为嵌入 ,  与时间 t 一起被输入到等变神经网络中。得益于各部件的等变设计，模型实现了从原始输入到预测动作的全流程 等变性。

，编码后的嵌入

，使用一个等变动作编码器将动作序列

，使用一个等变观测编码器将观测

的输入是时间 t 、动作序列 

3. 时间一致性策略：快，还要稳

在生成动作序列时，由于相邻的片段通常是独立预测，策略可能会在不同的行为模式间切换，导致长期执行过程中的不连贯。为了解决这个问题，EfficientFlow 采用 Diffusion Policy 中的时间重叠策略：每个预测序列仅执行前 步，而剩余的 

开始的后续预测重叠。通过生成具有相似重叠部分的相邻动作序列，可以实现长期的连贯性。

 步则与从时间 

受 IMLE Policy 的启发，算法还采用了一种批量轨迹选择与周期性重置策略，该策略在多模态表达能力与时间连贯性之间取得了平衡。在推理阶段，EfficientFlow 从高斯分布中采样 m 个初始噪声向量 

。然后，选择重叠片段与上一条轨迹匹配度最高的轨迹执行。

，并通过模型演化每一个向量，生成 m 条候选动作轨迹 

为了保持模型探索多样化行为的能力，模型引入了周期性重置：每 10 个预测周期，从批次中随机选择一条轨迹进行执行，而不是选择最小化重叠距离的那一条。这种方法在保持多模态性的同时提高了时间一致性，并且由于并行化处理，批量化设计确保了推理时间的额外开销极小。

实验效果：少数据、少步数，也能打 SOTA

在 MimicGen 等多个机器人操作基准中，EfficientFlow 在有限数据条件下展现出媲美甚至超过现有 SOTA 方法的成功率。更关键的是推理效率：在 1 步推理下，EfficientFlow 就能接近 EquiDiff 100 步推理的平均性能，单步推理速度提升 56 倍，5 步推理也有近 20 倍加速。消融实验进一步表明，加速度正则化与等变建模缺一不可，共同构成了高效生成式策略的关键。