告别噪声初始化：NTU MARS Lab提出A2A新范式，实现机器人高性能单步动作生成

扩散策略已成为机器人多模态动作建模的主流方法，但其依赖从随机噪声中进行多步迭代解噪，推理延迟 较高，在实时控制场景中构成关键瓶颈。虽然现有工作尝试优化噪声初始化，但仍未摆脱「从噪声到数 据」的长程生成路径。 这种「去噪」思维源自图像生成，但并不完全适用于机器人控制。与缺乏先验的图像合成不同，机器人拥 有持续反馈的自身状态信号，具有显著的物理一致性与运动连续性。A2A 的核心洞察在于：既然扩散模型 本质是学习分布间的映射，为何不将起点更换为信息密度更高、距离目标分布更近的历史状态先验？ 在机器人领域，扩散策略（Diffusion Policy）已经成为了标准模仿学习策略和 VLA 动作生成范式，但其 「从随机噪声中迭代解噪」的机制带来了不容忽视的推理延迟。如果机器人不再从随机高斯噪声开始「盲 猜」，是否可以基于「刚刚做了什么」来预测「下一步做什么」呢？ 新加坡南洋理工大学 MARS Lab 提出 Action-to-Action (A2A) Flow Matching 新范式：以历史机器人轨迹而 非随机噪声作为生成起点，打破了生成速度与精度的双重瓶颈，实现了更高训练效率、极速推理响应及卓 越的泛化表现。 Web ...