学会吸收修正：Critic加权的残差流方法用于视觉插入任务

📋总体概括

研究者提出ACT-Flow，一个面向视觉插入任务的在线学习框架，将自适应Action Chunking Transformer与条件残差流策略耦合。系统先经锚点引导预热，ACT通过行为克隆吸收成功执行的动作，残差目标随更新后的先验重新计算；块级Critic从成败交互中学习，对生成的残差候选加权用于流匹配，并结合真实成功执行的监督。部署时仅需RGB观测，每个动作块采样一个残差。该框架在电源插头、USB和钥匙插入任务上进行了评估，兼顾纠错能力与演示学到的基础行为。