热点事件观察中
Temporal Flow Policy 解决机器人策略记忆物理时间缺失
1 篇报道1 个报道来源1 天前更新
先了解这件事
AI 综述
2026年10月14日，Hugging Face Daily Papers 报道研究者提出 Temporal Flow Policy（TFP），针对机器人策略记忆缺失物理时间维度的问题，将物理时间作为记忆演化的依据，让记忆状态按实测时间间隔演化，并以此条件化扩散与 flow-matching 策略。在 Diffusion Policy 和 π0.5 上的受控对比中，TFP 平均成功率高于循环记忆、状态空间记忆及学习门控变体，并在真实机器人定时/记忆任务与 LIBERO 评测中取得提升。
AI 根据报道生成 · 2 小时前更新
最新进展10月14日 08:00
研究者提出 TFP，让机器人策略记忆按物理时间间隔演化并条件化扩散策略。报道时间线
沿着报道，了解事件的不同侧面。
10月14日
- Hugging Face Daily PapersTemporal Flow Policy：让机器人策略记忆随物理时间演化
研究者提出 Temporal Flow Policy（TFP），将物理时间作为机器人策略记忆缺失的维度，让记忆状态按实测时间间隔演化，并以此条件化扩散与 flow-matching 策略。TFP 在 Diffusion Policy 和 π0.5 上的受控对比中平均成功率高于循环记忆、状态空间记忆及学习门控变体，并在真实机器人定时/记忆任务与 LIBERO 评测中取得提升。
本事件热度走势
还没有足够的连续观测数据，暂不绘制趋势。