平均速度ポリシー（MVP）は、清華大学（車両交通学院および人工知能学院）、カリフォルニア大学バークレー校のBAIR（百度人工知能研究所）、香港大学の研究チームによって共同で提案されました。この研究は、2026年に開催された国際学習表現会議（ICLR 2026）で会議論文として正式に発表されました。関連する研究結果は、論文「瞬間速度制約付き平均流ポリシーによるワンステップアクション生成”。

MVPは、強化学習のための新しい生成ポリシーであり、「平均速度場」をモデル化することで最速の単一ステップ動作生成を実現し、複数ステップサンプリングの計算オーバーヘッドを完全に排除します。モデルに明示的な境界条件がないという課題に対処するため、研究チームは「瞬間速度制約（IVC）」を導入し、学習精度とポリシーの表現力を効果的に向上させました。実際のパフォーマンスでは、MVPはトレーニングと推論の速度を大幅に向上させ（平均単一ステップ推論時間はわずか10.93ミリ秒）、RobomimicとOGBenchの複雑なロボット操作タスクにおいて、最先端の平均成功率0.88を達成し、この分野の最先端に到達しました。