待验证60% 置信事实精确时间
Diffusion Policy 将扩散模型引入机器人控制，通过迭代去噪生成动作序列，能处理动作空间的多峰分布
2
来源数
60%
置信度
长期有效
时效性
2026/7/13
首次发现
来源
VersatIL：解决模仿学习代码碎片化的模块化PyTorch框架
redditr/reinforcementlearning2026/7/9
相关事实
已验证扩散策略（Diffusion Policy）将去噪扩散概率模型引入动作生成，相比传统BC能更好地建模多模态动作分布，在多项真实机器人操作实验中超越基线方法85% 相似待验证隐式行为克隆和扩散策略通过建模动作的多模态分布而非回归均值,减轻了分布偏移导致的平均化行为72% 相似已验证扩散模型是一类基于马尔可夫链的生成模型，核心思想是通过前向加噪和反向去噪来捕捉数据分布72% 相似已验证Stable Diffusion基于潜在扩散模型（Latent Diffusion Model），通过在压缩的潜在空间中进行去噪过程来生成高质量图像69% 相似待验证Toyota Research Institute的Diffusion Policy和Physical Intelligence的π0证明将扩散模型作为动作生成器比自回归token预测更适合连续控制任务69% 相似
引用此条事实
Stable URI
https://kongchang.com/claim/495201API
curl https://kongchang.com/api/v1/knowledge/claims/495201MCP
get_claim(id=495201)