均值速度策略 MVP 是什么？一步生成机器人动作的强化学习策略

均值速度策略（Mean Velocity Policy，MVP）是一种能一步生成动作的强化学习策略，由清华大学（车辆与运载学院、人工智能学院）、加州大学伯克利分校人工智能研究实验室（BAIR）和香港大学的研究团队共同提出，论文标题是《带瞬时速度约束的均值流策略，用于单步动作生成》，已被 ICLR 2026 接收。

背景：生成式策略的速度问题

近年来，机器人领域流行用扩散模型或流匹配这类生成模型来表示策略：把“该做什么动作”当成一个生成问题，从噪声出发逐步去噪得到动作。这类方法能表达复杂、多样的动作分布，比如一个任务有多种可行的完成方式时，它不会把几种方式“平均”成一个不可行的动作。但它们通常需要多步迭代采样才能得到一个动作，推理慢，在需要高频实时控制的机器人上是个大问题，训练时的计算开销也很大。

MVP 怎么做到一步生成

传统的流匹配学习的是每个时刻的“瞬时速度”，要沿着速度场一小步一小步地走，才能从噪声走到目标动作。MVP 改为建模“平均速度场”：直接学习从起点到终点的平均速度，于是一步就能从噪声跳到动作，彻底消除了多步采样的开销。为了解决这种建模方式缺少明确边界条件、学不准的问题，研究团队引入了“瞬时速度约束”（IVC），提升了学习的准确性和策略的表达能力。

效果

论文报告，MVP 大幅提升了训练和推理速度，平均单步推理只需要约 10.93 毫秒，并在 Robomimic 等机器人操作基准上取得了很好的表现。对机器人来说，推理快意味着可以用更高的频率感知和调整动作，动作更流畅、对环境变化的响应更及时。这类“又快又能表达复杂动作”的策略，是让生成式策略真正走向实时机器人控制的重要一步。