扩散策略生成的是一段动作，不是一张机器人图片

动作学习有时需要保留多个合理选择

绕开一个盒子，左边和右边都可能正确，但两条路线的平均可能正对盒子。一个只输出平均值的模型，可能得到统计上接近示范、物理上却不可执行的动作。扩散策略尝试学习完整的条件动作分布，再从中生成一段一致的行为。

这里的策略（Policy）是“根据观察选择动作”的规则；扩散（Diffusion）描述从数据加噪、再学习去噪的生成方法。模型处理的对象可以是 H 个时刻、每步 d 维动作构成的数组，而不是图像像素。相机图像是条件之一，夹爪运动才是输出。

教学例：单个横向动作的示范有一半是 −0.1 m，一半是 +0.1 m。用一个常数最小化平方误差时，最优输出是 0。概率模型可以保留两个峰，但“能表达多峰”不是“保证选择安全峰”：如果数据中没有可行路线、观察无法区分障碍，或采样落在低质量区域，仍会失败。

多峰也不等于多模态传感器。前者指动作分布存在多个高概率区域；后者指视觉、语言、触觉等不同输入类型。理解这个区别，才能知道扩散策略主要解决的是动作分布表达问题，而不是自动获得更多感官。

去噪网络同时需要观察与噪声等级

视觉编码器把图像变成特征，动作去噪器再利用这些特征生成序列。Diffusion Policy 论文讨论卷积式与 Transformer 式去噪网络；因此“扩散策略”不是某一个固定网络名字。条件是否充分、动作表示是否匹配和数据是否覆盖，仍然决定它能学到什么。论文机制。

以 ᾱ=0.64 为教学例，干净动作值 0.5、噪声 −0.2 时，带噪值为 0.8×0.5+0.6×(−0.2)=0.28。该过程只是构造一道已知答案的去噪题；训练时并没有真的让机器人移动到 0.28 对应的位置。

去噪多次，再执行短段，再看一眼

预测 16 步、每步 50 ms，覆盖 0.8 秒；若只执行 4 步，则 0.2 秒后重新观察。这里的 16 个动作时刻，与去噪时做 10 次还是 50 次网络计算，是两个独立概念。增加去噪步数不会直接让动作时间窗口更长，却会增加推理成本。

缩短采样可降低延迟，但可能改变生成质量；异步计算能重叠执行与推理，却引入旧观察、动作块拼接和时间索引问题。每轮独立随机采样也可能导致行为模式切换，因此要观察动作连续性与任务进度，不能只看单次样本是否平滑。

把论文能力放回任务、数据和控制条件中

Diffusion Policy 在 RSS 2023 提出，并有 2024 年期刊扩展版。项目报告比较了 4 组仿真机器人操作基准中的 12 个任务，还展示推动 T 形物体、翻转杯子等真机案例。真实 Push-T 任务既要求把物体推入目标区域，也要求末端进入终止区；只看物体最后位置，会漏掉完整成功定义。项目与任务说明。

这类证据支持“条件动作生成是一条有效学习路线”，不支持“扩散总比其他策略好”或“采样自然满足约束”。末端轨迹平滑仍可能撞到桌沿；数据里的成功接触策略换一种摩擦材质也可能失效；扩散网络不会自动推断当前硬件的热限制或夹持力上限。

在物体入盒项目中，应使用同一训练/测试划分比较简单行为克隆、动作分块模型与扩散策略，并分别记录成功、恢复、动作跳变、推理延迟和干预。若只给某一种方法更多示范或更好的相机，比较的就不再只是动作生成方法。

扩散策略通常从示教中学习，因此属于模仿学习可采用的模型路线；它也可以成为视觉语言动作系统的动作头。模型是否使用语言、是否预训练和怎样生成动作，是可组合的设计轴，不是互斥的产品类别。

把这一层放回完整机器人

返回具身智能知识地图，或沿本专栏继续展开：

• 模仿学习：从示教到独立执行：行为克隆、分布偏移与纠正数据。
• 动作表示：模型究竟在预测什么：关节、末端位姿、增量与动作序列。
• 视觉语言动作模型：从听懂到动手：视觉、语言与动作接口，以及泛化的证据边界。