Unverified50% confidenceFactExact time
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
1
Sources
50%
Confidence
Long-term
Relevance
9/8/2026
First Seen
Sources
Related Entities
Related Claims
Verified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72% similarUnverifiedDiffusion 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69% similarUnverifiedRT-2（2023年）将55B参数的视觉-语言模型PaLM-E微调为可直接输出离散化动作token的策略模型64% similarUnverifiedDiffusion-LM的可控生成通过引入超参数λ平衡流畅性与控制强度，并在每个扩散步执行多次梯度更新提升控制效果64% similarUnverifiedSkills 机制通过上下文注入在不修改模型权重的前提下引导模型输出，相比一次性 Prompt Engineering 强调可复用性、版本管理和模块化组合64% similar
Cite This Claim
Stable URI
https://kongchang.com/claim/880298API
curl https://kongchang.com/api/v1/knowledge/claims/880298MCP
get_claim(id=880298)