该论文旨在解决软体连续体机器人(soft continuum robots)逆动力学(inverse dynamics)学习中的挑战。研究背景是：
- 软体机器人具有高维非线性(high-dimensional nonlinearities)和复杂的驱动耦合(complex actuation coupling)
- 传统的基于反馈(feedback-based)的控制器常因校正振荡而产生控制抖动(control chattering)
- 基于确定性回归(deterministic regression)的学习方法难以捕捉精确动态跟踪所需的复杂非线性映射
论文提出了一个用于开环前馈控制(open-loop feedforward control)的逆动力学框架，具体方法包括：
- 将逆动力学重新表述为条件流匹配(conditional flow-matching)问题
- 采用整流流(Rectified Flow, RF)作为轻量级实例，生成物理一致(physically consistent)的控制输入而非条件平均值
- 引入两个变体增强物理一致性：
1. RF-Physical：利用基于物理的(physics-based)先验进行残差建模(residual modeling)
2. RF-FWD：在流匹配过程中集成前向动力学一致性损失(forward-dynamics consistency loss)
论文的核心创新点在于：
- 首次将逆动力学学习问题重新构建为生成式传输映射(generative transport map)学习问题，而非传统的回归问题
- 创新性地应用流匹配(flow matching)框架来学习系统的微分动力学(differential dynamics)
- 提出两种物理一致性增强变体，将物理先验和动力学一致性约束直接融入生成过程
- 与现有基于确定性回归的方法不同，该方法生成的是物理一致的控制输入分布，而非单一条件平均值，从而更好地处理系统非线性和不确定性
论文对该领域的整体贡献包括：
- 提出了一种基于流匹配的鲁棒高性能范式，用于软体机器人系统的微分逆动力学学习
- 实验证明该方法将轨迹跟踪均方根误差(RMSE)相比标准回归基线(MLP、LSTM、Transformer)降低了50%以上
- 系统在1.14 m/s的峰值末端执行器速度下保持稳定的开环执行，推理延迟低于毫秒级(0.995 ms)
- 展示了流匹配在软体机器人控制中的实际应用潜力，为高动态性能的软体机器人控制提供了新思路