新闻灵初智能博客今天

NeurIPS 2026录用FAFM：频域流匹配解决异频数据训练与动作抖动

灵初智能联合多校提出FAFM方法被NeurIPS 2026录用，通过频域参数化与时间导数监督解决异频数据联合训练难题。真机实验显示，集成至π₀.₅模型后抓取与避障任务成功率分别提升15和10个百分点，实现零参数增量下的连续稳定控制。

AI 整理

数据与采集
具身模型

本文由 AI 根据公开内容整理，可能有误，请以原文为准：NeurIPS 2026 | 让机器人动作连续而稳定！FAFM带来面向异频数据的动作生成新方法（灵初智能博客）

核心内容

灵初智能联合北航、北大及港中文推出频率感知流匹配方法FAFM，已被NeurIPS 2026主会录用。该方法针对机器人动作生成中异频数据冲突与轨迹抖动痛点，提出基于物理时间的连续动作表征。在Franka机械臂真机测试中，将FAFM接入视觉-语言-动作模型π₀.₅后，抓取放置任务成功率从80%升至95%，多障碍物避障成功率从80%升至90%，且无需增加额外可学习参数。

FAFM利用离散余弦变换（DCT-II）将异频示教映射至统一物理时间尺度，在系数空间执行流匹配并解析约束一阶时间导数，使高频误差受更强惩罚以保障平滑性。该方法支持独立策略或嵌入主流VLA模型，在手术仿真精细操作中取得97%-100%成功率，并在机械臂避障任务中覆盖12种有效轨迹模式，验证了其在跨设备数据融合与复杂接触任务中的工程有效性。

关键看点

频域对齐：采用DCT-II提取频域系数替代离散序列，将5Hz至20Hz等异频数据映射至统一物理时间轴，避免下采样信息损失与监督信号冲突
导数监督：利用余弦基解析求导特性联合优化流匹配损失与一阶时间导数，等效增强高频误差惩罚，在不增加网络参数前提下消除相邻时刻误差叠加导致的抖动
真机增益：在Franka平台集成至π₀.₅模型，抓取放置与多障碍避障任务成功率分别达95%和90%，较基线提升15与10个百分点，显著减少目标错失与碰撞
精细操作：在绳线穿引等四类手术仿真任务中获97%-100%成功率，避障测试覆盖12种轨迹模式且保持平滑，证明连续表征对柔性物体操作的稳定性价值

工程与产业观察

FAFM为具身智能异构数据融合提供了轻量级范式，通过频域连续表征解耦采样率与物理时间，解决了跨本体数据联合训练的核心障碍。其零参数增量兼容主流VLA架构的特性，降低了算法落地门槛；真机验证的平滑性增益表明，在追求大模型泛化能力的同时，回归物理时间一致性的动作表示优化是提升实机部署可靠性的关键工程路径。