文章核心观点 - 西安交通大学研究团队提出了一种名为EfficientFlow的全新生成式策略学习方法，旨在解决当前生成式模型在机器人具身智能领域面临的两大核心瓶颈：训练依赖大规模演示数据和推理迭代步数多导致速度慢 [2] - 该方法通过将等变建模与高效流匹配深度融合，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性能，并将推理速度提升一个数量级以上 [2] - 相关论文已被AAAI 2026接收，代码已开源 [3] 技术方法亮点 - 加速度正则化：受物理直觉启发，在损失函数中引入加速度正则项，鼓励样本从噪声分布向数据分布的演化过程平滑且接近匀速，从而让生成轨迹更直、更快，减少推理迭代 [5][6] - 等变网络设计：核心逻辑是确保当输入的视觉场景旋转一定角度时，机器人输出的动作也跟随旋转相同角度，这使得模型能从一条数据泛化到多个旋转角度，大幅提升数据效率，实现“举一反三” [9][11] - 时间一致性策略：采用时间重叠策略与批量轨迹选择及周期性重置机制，在生成动作序列时平衡多模态表达能力与长期执行的时间连贯性，确保策略既快又稳 [15][17] 实验效果与性能 - 在MimicGen等多个机器人操作基准测试中，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 [18][19] - 推理效率显著提升：仅需1步推理就能接近EquiDiff模型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 [19] - 消融实验表明，加速度正则化与等变建模两者缺一不可，共同构成了高效生成式策略的关键 [19]