NYU 提出时序流策略 TFP：让机器人记忆按物理时间演化，真实任务时序成功率更高

NYU 团队提出时序流策略（TFP），让机器人记忆按实测时间间隔演化，由 elapsed time 决定记忆状态推进的距离。TFP 以该记忆状态条件化扩散/流匹配策略，实测结合 Diffusion Policy 与 π0.5，平均成功率高于同间隔配置的循环/状态空间记忆及门控变体。在需要计时或记忆的真实机器人任务及 LIBERO 评测中验证有效。