본 논문은 복잡하고 다양한 모드의 동작 궤적을 모방 학습하는 데 있어 기존 확산/플로우 매칭 정책의 계산 비용 문제를 해결하는 새로운 방법을 제시합니다. 기존 방법은 궤적의 궤적을 표본 추출하여 계산 비용이 높고, 동작 실행 전에 표본 추출 과정이 완료될 때까지 기다려야 하는 한계가 있었습니다. 본 논문에서는 동작 궤적을 플로우 궤적처럼 취급하여 이 문제를 해결합니다. 마지막 동작 주변의 좁은 가우시안에서 표본 추출하여 플로우 매칭을 통해 학습된 속도장을 점진적으로 통합함으로써 단일 궤적을 구성하는 일련의 동작을 생성합니다. 이를 통해 플로우 표본 추출 과정 동안 로봇에 동작을 실시간으로 스트리밍할 수 있으며, 이동 지평선 정책 실행에 적합합니다. 또한, 시연 궤적 주변에서 안정화되는 플로우를 학습하여 분포 변화를 줄이고 모방 학습 성능을 향상시킵니다. 실험 결과, 제안된 스트리밍 플로우 정책은 기존 방법보다 우수한 성능을 보이며, 더 빠른 정책 실행과 더 긴밀한 센서-운동 루프를 가능하게 합니다.
