机器人动作不再按序号对齐：FAFM用频域系数统一异频示教，真机成功率提高10到15个百分点
核心概要
灵初智能联合北京航空航天大学、北京大学、香港中文大学提出频率感知流匹配方法FAFM，把机器人动作从固定步数的离散序列改为对应真实物理时间的频域系数，并在流匹配生成动作时显式约束动作的一阶时间导数。这样，5 Hz、10 Hz、20 Hz等不同采集频率的示教可以映射到同一物理时间尺度上联合训练，而不必靠下采样或插值统一频率。在Franka机械臂上，集成到π₀.₅后，抓取放置任务成功率从80%升到95%，多障碍物避障任务从80%升到90%。
深度剖析
机器人动作生成不再只把动作当作固定步数的离散序列，而是用频域系数描述物理时间中的连续轨迹，使不同控制频率采集的示教可以放在一起训练。 此前生成式机器人策略一次输出一段动作序列，隐含假设第k个位置在不同数据中对应可比较的物理时刻；而不同机器人与采集管线的控制频率可相差数倍，同样一秒的运动在5 Hz、10 Hz和20 Hz下记录的动作数量完全不同，按序号学习会让同一位置对应不同运动阶段，来自不同频率的正确示教反而给出相互冲突的监督信号。 对固定物理时长的示教轨迹，离散余弦变换（DCT-II）提取的系数对应固定的真实时间范围而非某个采样频率，因此相同物理运动即使采样频率不同，其连续轨迹系数在离散近似误差范围内保持一致，原本冲突的动作位置监督被转换为更一致的轨迹形状监督。
动作生成在频域系数空间做流匹配，再通过余弦基函数重建任意物理时刻的动作，训练目标同时约束动作的一阶时间导数。 传统流匹配动作策略直接预测离散动作块，只拟合每个动作点的数值，相邻时刻的误差叠加仍可能形成抖动，影响抓取、避障与柔性物体操作的稳定性。 余弦展开可以解析求导，因此一阶时间导数约束与流匹配损失联合优化，从频域看相当于频率越高、相关系数误差受到的惩罚越强，与Sobolev型约束相联系；这一改动发生在动作表征与训练目标层面，不增加网络或可学习参数，既可独立作为生成式控制策略，也可接入π₀、π₀.₅等视觉-语言-动作模型。
在真实Franka机械臂上，把FAFM集成进π₀.₅后，目标位置变化的抓取放置任务和多障碍物避障任务的成功率都高于原始π₀.₅。 两项任务中原始π₀.₅的成功率均为80%。 引入FAFM后，抓取放置任务成功率达到95%，提高15个百分点；多障碍物避障任务成功率达到90%，提高10个百分点；实验观察认为轨迹平滑性的改善有助于减少执行中的目标错失与障碍物碰撞。
启示与展望
已展示的范围包括多障碍物机械臂避障中最高61%的任务成功率与12种有效轨迹模式、机器人手术仿真环境中绳线穿引、抓取抬升接触、双手组织操作和套环结扎四类任务上97%、100%、99%和100%的成功率，以及Franka机械臂上集成到π₀.₅的抓取放置与多障碍物避障两项真机任务；读者对象是关注机器人动作生成与视觉-语言-动作模型的研究人员和工程师。
跨频率系数的一致性是在离散近似误差范围内成立的，并非精确相等；真机成功率提升来自Franka平台上集成到π₀.₅的两项任务，其他本体与任务上的表现未在所述范围内给出。