想象你走进一家米其林后厨，老师傅正在教新来的帮厨做一道“创意牛排”。同一块牛肉，不同客人给出了完全不同的诉求：有人要七分熟、有人要酥皮、有人要带焦边。帮厨如果只记住一个“平均做法”——把每种要求都折中成不冷不热的五分熟，结果没有一个客人满意。机器人学里也有类似困境：同一个视觉场景下，好的动作其实不止一种；传统模仿学习却常常把这些“多种正确答案”揉成一个平庸的平均值。Diffusion Policy 的做法则像是请来了一位耐心雕塑家：它不追求一步到位，而是从一块满是噪声的“石头毛坯”开始，每一次只削掉一点点多余的瑕疵，反复几十步后，才雕刻出一条平滑、自然且符合当前场景的动作轨迹。本文会用这条“后厨 + 雕塑”的故事线，带你看懂 Diffusion Policy 是如何训练、如何注入条件、如何处理多模态动作，并最终让机械臂在真实世界端出“一桌好菜”。

岗位关联

掌握 Diffusion Policy，是进入具身智能、机器人操作与生成式控制交叉领域的关键一跃；它让你既能理解大模型时代“生成动作”的底层逻辑，又能在真实机器人项目中落地可用的闭环策略。

目录
  1. 可视化演示
  2. 问题与动机：为什么“平均答案”会砸了招牌
  3. 扩散模型原理：从噪声毛坯中雕出动作
  4. 策略网络结构：一套分工明确的厨房流水线
  5. 条件信息注入：订单、监控画面与手感缺一不可
  6. 多模态动作输出：一份菜谱的多种合理做法
  7. 训练与推理流程：试菜、调方子、出餐
  8. 应用与部署优势：真正端上一桌好菜
  9. AI 应用场景
  10. Python 演示
  11. 常见误区
  12. 面试题

可视化演示

交互展示Diffusion Policy前向加噪、逆向去噪生成多模态动作轨迹、条件注入生成机器人动作的完整扩散流程。

本节配有交互动效（进入视口后自动加载，约 3KB）。

前向扩散：动作轨迹加噪 逐步向干净轨迹添加高斯噪声 噪声强度σ从0增至1破坏轨迹结构 q(x_t|x_0) = N(√ᾱ_t·x_0, (1-ᾱ_t)·I) 前向扩散定义马尔可夫链为训练提供噪声样本

问题与动机：为什么“平均答案”会砸了招牌

后厨里的新帮厨发现，老师傅教“糖醋排骨”时，有时放三勺糖，有时放两勺糖，客人还分南甜北咸。帮厨心想：那就取个平均，放二点五勺吧。结果南方客人觉得不够甜，北方客人又觉得太腻。机器人模仿学习也面临同样的“帮厨困境”：当专家演示中包含多种合理动作时，常用的均方差回归会把它们平均成一条“四不像”轨迹。比如从侧面抓杯子和从上方抓杯子都对，平均出来的抓手位置却悬在杯沿外，根本抓不住。

这正是 Diffusion Policy 要解决的问题。它不再强迫策略输出一个确定动作，而是让策略学习“动作的条件分布”。在复杂操作任务中，视觉特征、物体位姿、接触状态都可能对应多种成功动作；一个足够有表达力的策略，必须能够保留这种多模态性。

从数学上看，传统行为克隆常用的均方误差目标，最终会把策略逼向条件均值：

πMSE∗(o)=Ea∼p(a∣o)[a]\displaystyle \pi^*_{\text{MSE}}(\mathbf{o}) = \mathbb{E}_{\mathbf{a} \sim p(\mathbf{a} \mid \mathbf{o})}[\mathbf{a}]
  1. 最优策略符号 \(\pi^*_{\text{MSE}}\)表示在均方误差目标下求出的“最优”策略；它不是真正的优秀策略，而是被平均陷阱扭曲后的策略。
    πMSE∗(o)\displaystyle \pi^*_{\text{MSE}}(\mathbf{o})
  2. 条件期望 \(\mathbb{E}_{\mathbf{a} \sim p(\mathbf{a} \mid \mathbf{o})}\)意思是“在观测到 o 的所有演示动作中取平均”。就像把南甜北咸的配方混在一起，得到谁都不满意的中庸配方。
    Ea∼p(a∣o)[a]\displaystyle \mathbb{E}_{\mathbf{a} \sim p(\mathbf{a} \mid \mathbf{o})}[\mathbf{a}]
  3. 动作向量 \(\mathbf{a}\)机器人的关节角度、末端速度或夹爪开合等控制指令；它是策略需要输出的“菜谱步骤”。
    a\displaystyle \mathbf{a}
  4. 结论这个公式说明，传统回归学到的是条件均值，而非完整的动作分布；Diffusion Policy 正是为了打破这种“帮厨式平均”而出现。

扩散模型原理：从噪声毛坯中雕出动作

续用雕塑家的比喻：如果老师傅先把一块大理石“反向凿碎”成一堆碎石渣，然后再教徒弟一点一点把碎石渣拼回完整雕像，这个过程看起来绕路，却意外地有效。扩散模型正是这样“先毁掉、再修复”的生成范式。

前向过程是故意“毁掉”动作：从干净动作 \(\mathbf{a}_0\) 出发，逐步加入高斯噪声，直到它完全变成随机噪声。反向过程则是训练一个神经网络，学习“如何把噪声移除”。Diffusion Policy 把机器人的动作序列看作这张待修复的“雕像”，用同样的去噪过程生成动作。

前向加噪公式如下：

at=αˉt a0+1−αˉt ϵ,ϵ∼N(0,I)\displaystyle \mathbf{a}_t = \sqrt{\bar{\alpha}_t}\,\mathbf{a}_0 + \sqrt{1 - \bar{\alpha}_t}\,\epsilon,\quad \epsilon \sim \mathcal{N}(0, \mathbf{I})
  1. 干净动作 \(\mathbf{a}_0\)专家演示中的真实动作，也就是雕像尚未被打碎前的原貌。
    a0\displaystyle \mathbf{a}_0
  2. 加噪后的动作 \(\mathbf{a}_t\)经过 t 步加噪后的中间状态；t 越大，噪声越明显，雕像越模糊。
    at\displaystyle \mathbf{a}_t
  3. 噪声调度 \(\sqrt{\bar{\alpha}_t}\)控制每一步保留多少原始信号；它像雕刻师手里的“保留力度”，一步步退让给噪声。
    αˉt\displaystyle \sqrt{\bar{\alpha}_t}
  4. 高斯噪声 \(\epsilon\)从标准正态分布中采样的随机扰动，代表完全无意义的“碎石渣”。
    ϵ∼N(0,I)\displaystyle \epsilon \sim \mathcal{N}(0, \mathbf{I})

策略网络结构：一套分工明确的厨房流水线

Diffusion Policy 并不是一个散装模块，而是一条完整的“后厨流水线”：视觉编码器像后厨门口的摄像头，负责看清客人、餐桌和当前菜品状态；扩散骨干网络像负责反复试菜的主厨，从噪声中逐步修正动作；动作解码器则像是最后装盘的人，把修正结果还原成可执行的机器人指令。

与传统只输出单步动作的策略不同，Diffusion Policy 经常一次输出一整段“动作块”。它把未来 H 步动作打包成一条序列，再交给去噪网络整体优化。这样做的好处是：动作之间彼此连贯，不会出现“一步一顿”的割裂感。

动作块的定义可以写成：

At=[at,at+1,…,at+H−1]\displaystyle \mathbf{A}_t = [\mathbf{a}_t, \mathbf{a}_{t+1}, \ldots, \mathbf{a}_{t+H-1}]
  1. 动作块 \(\mathbf{A}_t\)从当前时刻 t 开始的一段连续动作序列；就像主厨一次写下未来十秒的完整烹饪动作。
    At\displaystyle \mathbf{A}_t
  2. 未来动作 \(\mathbf{a}_{t+k}\)第 k 步之后要执行的动作，表示机器人对未来规划的“腹稿”。
    at+1,…,at+H−1\displaystyle \mathbf{a}_{t+1}, \ldots, \mathbf{a}_{t+H-1}
  3. 预测长度 H动作块的窗口长度；H 越大，动作越有前瞻性，但难度也越高。
    H\displaystyle H
  4. 整体含义把所有未来动作看成一个整体去生成，避免“走一步看一步”造成的抖动。

条件信息注入：订单、监控画面与手感缺一不可

如果雕塑家闭着眼睛雕刻，作品必然离谱。Diffusion Policy 必须把当前环境信息注入去噪过程，告诉网络“现在该往哪个方向修”。这就像后厨里的主厨需要同时看订单、看监控画面、感受手下的面团湿度，才能决定下一步动作。

常见的条件信息包括：当前相机图像、机械臂关节角度、夹爪开合状态、历史动作序列，以及去噪步数 t。设计上，网络可以在输入端拼接这些特征，也可以通过 FiLM 调制、交叉注意力等方式把条件融入扩散骨干网络。

条件化去噪网络的输入可以抽象为：

ϵθ(At,ovis,Ahist,t)\displaystyle \epsilon_\theta(\mathbf{A}_t, \mathbf{o}^{\text{vis}}, \mathbf{A}^{\text{hist}}, t)
  1. 噪声预测网络 \(\epsilon_\theta\)训练出来的“修瑕疵”模型，它根据当前状态预测该移除多少噪声。
    ϵθ\displaystyle \epsilon_\theta
  2. 视觉观测 \(\mathbf{o}^{\text{vis}}\)摄像头捕捉到的场景信息，相当于后厨监控画面。
    ovis\displaystyle \mathbf{o}^{\text{vis}}
  3. 历史动作 \(\mathbf{A}^{\text{hist}}\)过去的动作序列，让机器人知道自己的“手”刚才在做什么。
    Ahist\displaystyle \mathbf{A}^{\text{hist}}
  4. 去噪步数 t告诉网络现在处于雕刻早期还是后期，从而调整每次削切的力度。
    t\displaystyle t

多模态动作输出：一份菜谱的多种合理做法

回到开篇的“创意牛排”：七分熟和脆皮焦边都是正确答案，但它们不是同一个答案。Diffusion Policy 之所以能处理这种多模态动作，是因为它本质上是在学习一个条件概率分布，而不是一个唯一的映射函数。每次推理时，它从随机噪声出发，经过多步去噪，自然落向某一个合理动作模式。

这种生成方式让机器人具备“多种合理做法”的表达能力：同一个杯子，既可以从左侧绕过障碍抓取，也可以从上方直接抓取；同一个人形机器人，既可以选择左腿迈步，也可以选择右腿迈步。只要演示数据中存在这些模式，扩散模型就能把它们保留下来。

从概率视角看，整条去噪链定义了一个策略分布：

pθ(A0∣o)=∫pθ(AT∣o)∏t=1Tpθ(At−1∣At,o) dA1:T\displaystyle p_\theta(\mathbf{A}_0 \mid \mathbf{o}) = \int p_\theta(\mathbf{A}_T \mid \mathbf{o}) \prod_{t=1}^{T} p_\theta(\mathbf{A}_{t-1} \mid \mathbf{A}_t, \mathbf{o}) \, d\mathbf{A}_{1:T}
  1. 策略分布 \(p_\theta(\mathbf{A}_0 \mid \mathbf{o})\)给定观测时，机器人生成最终动作块的概率分布；它可以有多个峰。
    pθ(A0∣o)\displaystyle p_\theta(\mathbf{A}_0 \mid \mathbf{o})
  2. 初始噪声分布 \(p_\theta(\mathbf{A}_T \mid \mathbf{o})\)一般就是标准正态噪声，相当于雕刻开始时那块随机的毛坯。
    pθ(AT∣o)\displaystyle p_\theta(\mathbf{A}_T \mid \mathbf{o})
  3. 去噪转移 \(p_\theta(\mathbf{A}_{t-1} \mid \mathbf{A}_t, \mathbf{o})\)每一步从稍微干净的版本推出更干净的版本；每一步只修掉一点多余部分。
    pθ(At−1∣At,o)\displaystyle p_\theta(\mathbf{A}_{t-1} \mid \mathbf{A}_t, \mathbf{o})
  4. 积分 \(\int \cdots d\mathbf{A}_{1T}\)：把所有中间路径都考虑进来，最终形成完整的“多峰菜谱”。
    ∫⋯dA1:T\displaystyle \int \cdots d\mathbf{A}_{1:T}

训练与推理流程：试菜、调方子、出餐

训练 Diffusion Policy 的过程，很像让帮厨反复试菜：先看老师傅做好的完整动作（演示数据），然后把成品“打碎”成不同程度噪声，再让网络学习“刚才打碎了哪部分”。网络不直接预测最终动作，而是预测被加入的噪声；这好比帮厨学会的不是“整道菜怎么做”，而是“这步削多了还是少了”。

在实际部署中，Diffusion Policy 还常采用类似模型预测控制的做法：每执行一小段动作块后，就重新获取最新传感器图像，再次采样去噪，生成新的动作块。这样即使机器人被碰偏了，也能立刻调整回来。

训练损失函数如下：

LDP=Et,ϵ,o[∥ϵ−ϵθ ⁣(αˉtA0+1−αˉtϵ,o,t)∥2]\displaystyle \mathcal{L}_{\text{DP}} = \mathbb{E}_{t, \epsilon, \mathbf{o}} \left[ \left\| \epsilon - \epsilon_\theta\!\left( \sqrt{\bar{\alpha}_t} \mathbf{A}_0 + \sqrt{1 - \bar{\alpha}_t} \epsilon, \mathbf{o}, t \right) \right\|^2 \right]
  1. 训练损失 \(\mathcal{L}_{\text{DP}}\)衡量“真实噪声”和“预测噪声”之间的差距；差得越少，说明修雕技能越熟练。
    LDP\displaystyle \mathcal{L}_{\text{DP}}
  2. 随机采样 \(t, \epsilon, \mathbf{o}\)每一步随机选一个加噪程度、一个随机噪声和一条真实观测样本。
    t,ϵ,o\displaystyle t, \epsilon, \mathbf{o}
  3. 加噪动作 \(\sqrt{\bar{\alpha}_t} \mathbf{A}_0 + \sqrt{1 - \bar{\alpha}_t} \epsilon\)将干净动作块人为打碎后的结果。
    αˉtA0+1−αˉtϵ\displaystyle \sqrt{\bar{\alpha}_t} \mathbf{A}_0 + \sqrt{1 - \bar{\alpha}_t} \epsilon
  4. 误差平方 \(\|\cdot\|^2\)用均方误差惩罚预测偏差；网络因此学会“反推刚才加了多少噪声”。
    ∥ϵ−ϵθ(⋅)∥2\displaystyle \left\| \epsilon - \epsilon_\theta(\cdot) \right\|^2

应用与部署优势：真正端上一桌好菜

学会了去噪，机器人就能在复杂任务中“端出好菜”：机械臂可以完成柔性插装配、线束连接、食品分拣等精细操作。相比传统行为克隆，Diffusion Policy 的优势既来自“多模态”，也来自“闭环重规划”。即使环境被扰动，机器人也能在新一轮去噪中快速生成修正动作，而不是硬着头皮执行旧轨迹。

它的部署效率也得益于“动作分块 + 滚动预测”：机器人不以每个控制周期为代价反复推理整条很长轨迹，而是按需生成未来 H 步动作块、执行其中前若干步、再重新规划。这就像主厨不会一口气做好一整桌菜再上桌，而是边做边看客人反应，随时调整火候。

推理阶段的执行动作可以概括为：

atexec=FirstAction ⁣(Denoiseθ(AT∼N(0,I),ot))\displaystyle \mathbf{a}_t^{\text{exec}} = \text{FirstAction}\!\left( \text{Denoise}_\theta(\mathbf{A}_T \sim \mathcal{N}(0, \mathbf{I}), \mathbf{o}_t) \right)
  1. 实际执行动作 \(\mathbf{a}_t^{\text{exec}}\)机器人真正下发的当前步指令；它只是动作块中的第一刀。
    atexec\displaystyle \mathbf{a}_t^{\text{exec}}
  2. 随机初始噪声 \(\mathbf{A}_T \sim \mathcal{N}(0, \mathbf{I})\)每次采样生成都可能走向不同的合理动作模式。
    AT∼N(0,I)\displaystyle \mathbf{A}_T \sim \mathcal{N}(0, \mathbf{I})
  3. 去噪生成 \(\text{Denoise}_\theta\)在条件 o 下逐步修出完整动作块；相当于整套“反打碎”过程。
    Denoiseθ(AT,ot)\displaystyle \text{Denoise}_\theta(\mathbf{A}_T, \mathbf{o}_t)
  4. 取出首步 \(\text{FirstAction}\)只执行动作块中的第一个动作，随后继续观测、继续重规划。
    FirstAction(⋅)\displaystyle \text{FirstAction}(\cdot)

AI 应用场景

机械臂精密装配

阶段：策略训练与闭环部署

解决的问题：传统视觉伺服需要手工设计特征和位姿估计，遇到公差小、反光强的插拔任务容易失败。Diffusion Policy 直接从图像与力觉历史中生成连续动作序列，自动适应装配时的微小偏差。

具体案例：手机装配线上，机器人需要在 0.1 毫米公差内把排线端子插入连接器。工程师采集几十次人工演示数据，训练 Diffusion Policy 后，机械臂能对不同摆放角度的端子生成多种“绕行 + 插入”动作，并在插歪时通过重规划及时修正。

柔性物体操控

阶段：多模态策略学习

解决的问题：叠衣物、铺床单、抓取软体食材等任务中，物体的状态变化复杂，正确动作高度多模态。Diffusion Policy 能把“这次从左角开始折”和“这次从右角开始折”同时学到手。

具体案例：厨房机器人面对一整盘不同形状的鸡块，需要将鸡块夹到对应盒子中。扩散策略会根据当前食材姿态和托盘布局，采样出多条可行夹取轨迹，再由执行器安全选择其中一条。

人形机器人扰动恢复

阶段：实时推理与重规划

解决的问题：真实世界中，机器人常被意外碰撞或地面摩擦改变状态。Diffusion Policy 的“动作块预测 + 重新采样”机制，能像主厨边做边尝一样，每看到新状态就重新生成未来动作。

具体案例：人形机器人在搬运箱子时被旁边的线缆绊了一下，髋关节角度偏移。策略系统基于最新关节编码器与相机图像，在几十毫秒内重新采样一条稳定的重心调整轨迹，避免摔倒。

Python 演示

python68 行
import numpy as np  def make_demo_data(n_per=40):    labels = []    actions = []    angles = [0.0, np.pi / 2, np.pi, 3 * np.pi / 2]    for label, angle in enumerate(angles):        for _ in range(n_per):            labels.append(label)            actions.append([                np.cos(angle) + np.random.normal(0, 0.05),                np.sin(angle) + np.random.normal(0, 0.05)            ])    obs = np.eye(4, dtype=float)[labels]    return obs, np.asarray(actions, dtype=float)  class LinearNoiseModel:    def __init__(self, input_dim, output_dim, lr=0.05):        self.W = np.random.randn(input_dim, output_dim) * 0.01        self.lr = lr     def predict(self, obs_onehot, x_t):        feat = np.concatenate([obs_onehot, x_t])        return feat.dot(self.W)     def train_step(self, obs_onehot, x_t, eps_target):        feat = np.concatenate([obs_onehot, x_t])        pred = feat.dot(self.W)        grad = 2 * np.outer(feat, pred - eps_target)        self.W -= self.lr * grad  class SimpleDiffusionPolicy:    def __init__(self, T=20):        self.T = T        self.model = LinearNoiseModel(input_dim=6, output_dim=2, lr=0.05)        self.beta = np.linspace(0.02, 0.2, T)        self.alpha = 1.0 - self.beta        self.alpha_bar = np.cumprod(self.alpha)     def train(self, obs, actions, epochs=200):        rng = np.random.default_rng(0)        for _ in range(epochs):            i = int(rng.integers(0, len(obs)))            t = int(rng.integers(0, self.T))            a0 = actions[i]            eps = rng.standard_normal(2)            x_t = np.sqrt(self.alpha_bar[t]) * a0 + np.sqrt(1 - self.alpha_bar[t]) * eps            self.model.train_step(obs[i], x_t, eps)     def sample(self, obs_onehot):        x = np.random.randn(2)        for t in range(self.T - 1, -1, -1):            eps_hat = self.model.predict(obs_onehot, x)            x = (x - self.beta[t] / np.sqrt(1 - self.alpha_bar[t]) * eps_hat) / np.sqrt(self.alpha[t])            if t > 0:                x += np.sqrt(self.beta[t]) * np.random.randn(2)        return x  if __name__ == "__main__":    obs, actions = make_demo_data()    policy = SimpleDiffusionPolicy(T=20)    policy.train(obs, actions, epochs=200)    test_obs = np.eye(4, dtype=float)[3]    print("sampled action for label 3:", policy.sample(test_obs))
目的：用纯 NumPy 实现一个简化版 Diffusion Policy，在“四种方向目标动作”的多模态数据集上训练噪声预测模型，并采样生成动作。
  1. obs = np.eye(4, dtype=float)[labels]把类别标签变成 one-hot 向量，模拟“当前观测条件”。
  2. self.alpha_bar = np.cumprod(self.alpha)计算累积噪声保留系数，控制前向加噪强度。
  3. x_t = np.sqrt(self.alpha_bar[t]) * a0 + np.sqrt(1 - self.alpha_bar[t]) * eps完成一步前向加噪，生成带噪声动作。
  4. grad = 2 * np.outer(feat, pred - eps_target)计算线性噪声预测模型的梯度，相当于后厨“尝一口找偏差”。
  5. self.W -= self.lr * grad用梯度下降更新模型参数，让网络逐渐学会“预测刚才加了多少噪声”。
  6. x = (x - self.beta[t] / np.sqrt(1 - self.alpha_bar[t]) * eps_hat) / np.sqrt(self.alpha[t])根据预测噪声完成一步反向去噪。
  7. if t > 0: x += np.sqrt(self.beta[t]) * np.random.randn(2)在反向过程保留随机扰动，让多模态多样性得以延续。

常见误区

误区Diffusion Policy 就是把普通神经网络输出的动作再接一个扩散模型，让动作更平滑。

正解实际上，整个策略本身就是一个条件扩散模型：输入是观测，输出是一整段动作块；网络的训练目标不是“预测动作”，而是“预测噪声”。它更像一整套“雕刻流程”，而不是最后撒一层胡椒粉。

为何常见：很多同学先接触过扩散模型生成图片，容易把去噪网络看作一个可选的图像后处理模块，忽略了它就是策略主体。

误区要处理多种正确动作，必须先把演示数据聚类成几类，再训练多个策略。

正解Diffusion Policy 不需要显式聚类。它通过连续加噪和去噪过程，天然能表达多峰分布；不同的初始随机噪声会走向不同合理动作模式。就像同一个菜谱可以通过“随机起点”变化出多种合格成品。

为何常见：因为传统分类任务常用标签来区分模式，大家容易把“多模态”等同于“多标签”。

误区机器人要稳定，就必须完全去掉随机噪声，保证给定同样观测时输出完全相同动作。

正解扩散模型的随机采样正是多样性的来源。部署时真正需要保证的是“每次采出的动作都成功”，而不是“每次完全一样”。动作分块与重规划已经提供了闭环稳定性，不需要把生成过程退化成确定性映射。

为何常见：强化学习与控制论强调“确定性策略”的稳定性，因此大家容易把随机性与不可靠画等号。

误区Diffusion Policy 既然看图像，那条件就只有摄像头画面。

正解实际系统通常同时注入视觉特征、机械臂关节角度、夹爪状态、历史动作序列和去噪步数 t。条件越丰富，策略越能感知“自己现在在哪里、手刚才做了什么”；只看图像等于让主厨只看菜谱却不看锅。

为何常见：视觉模仿学习给初学者留下的印象太深，容易忽略机器人本体状态的重要性。

面试题

Q1. Diffusion Policy 最核心的创新是什么？

单选题 · easy

  • A.用扩散模型生成机器人动作序列← 正确答案
  • B.用强化学习优化机械臂关节转矩
  • C.用决策树规划全局路径
  • D.用卡尔曼滤波估计物体位姿

答案：A。Diffusion Policy 的核心是“用扩散模型生成动作”，而不是强化学习、决策树或传统状态估计。它把动作生成看作逐步去噪过程，让多模态动作分布得以保留。

Q2. 反向去噪过程中，扩散模型主要预测什么？

单选题 · mid

  • A.真实动作轨迹
  • B.当前观测误差
  • C.被加入的高斯噪声← 正确答案
  • D.环境奖励大小

答案：C。训练时模型拟合的目标是“人为加入的高斯噪声”。只要预测出这一步加入的噪声，就能通过反向公式反推出更干净的动作，而不是直接输出最终轨迹。

Q3. 下列哪些可以作为 Diffusion Policy 的条件信息？

多选题 · mid

  • A.当前视觉观测← 正确答案
  • B.机械臂关节状态← 正确答案
  • C.历史动作序列← 正确答案
  • D.商品市场价格表

答案：ABC。视觉、关节状态、历史动作都是机器人决策所需的环境信息；商品价格与操作任务无关，不能作为动作生成条件。

Q4. 动作分块（action chunk）的含义是什么？

单选题 · mid

  • A.一次只预测一个动作点
  • B.一次预测未来多步动作并打包执行← 正确答案
  • C.将图像切成多块输入
  • D.把动作空间离散成网格

答案：B。动作分块指一次输出未来 H 步动作序列，整体去噪生成。它提升了动作连贯性，也为模型预测式重规划提供基础。

Q5. 为什么均方差模仿学习不适合多模态动作？

单选题 · hard

  • A.损失函数会变成常数无法优化
  • B.条件均值会模糊多个正确模式← 正确答案
  • C.梯度消失导致网络不收敛
  • D.动作空间通常不是向量空间

答案：B。均方差损失的最优解是条件均值。当多个正确动作差异很大时，均值落在两个模式之间，既不属于任何模式，也不可执行。这是“平均值陷阱”。

Q6. 训练 Diffusion Policy 时，损失函数主要在比较什么？

单选题 · mid

  • A.输入图像与输出图像的像素差
  • B.预测噪声与真实噪声的误差← 正确答案
  • C.预测动作与最优动作的欧氏距离
  • D.当前位姿与目标位姿的距离

答案：B。Diffusion Policy 的训练本质是噪声预测。网络输入“加噪后的动作块 + 观测条件”，输出“预测噪声”，并与真实噪声计算均方误差。

Q7. 为提升闭环性能，Diffusion Policy 部署时通常采用哪些策略？

多选题 · hard

  • A.一次推理后不再更新
  • B.定期做模型预测重规划← 正确答案
  • C.只执行预测序列首个分块← 正确答案
  • D.等待整条序列执行完毕

答案：BC。Diffusion Policy 常采用类似模型预测控制的做法：预测一段动作块后只执行其中一部分，再根据最新观测重新生成；这样即使被扰动也能快速修正。

Q8. 以下哪个是 Diffusion Policy 的典型应用场景？

单选题 · easy

  • A.语音情感识别
  • B.社交网络推荐
  • C.机械臂柔性插装配← 正确答案
  • D.数据库索引优化

答案：C。Diffusion Policy 面向机器人动作生成，典型应用是机械臂插装配、分拣、柔性物体操控等；语音、推荐和数据库不是它的主场。

Q9. 关于推理时初始随机噪声，下列说法正确的是？

单选题 · hard

  • A.初始噪声应固定为零以保证稳定
  • B.初始噪声决定去噪起点并影响采样多样性← 正确答案
  • C.初始噪声只影响训练不影响推理
  • D.初始噪声必须用预训练图像生成

答案：B。推理时从随机噪声出发，不同起点会走向不同合理动作模式；固定为零会破坏扩散模型的生成机制，也不必要地丢失多样性。

Q10. Diffusion Policy 中常用的条件注入方式包括哪些？

多选题 · extreme

  • A.将观测特征拼接到噪声向量← 正确答案
  • B.在骨干网络中使用 FiLM 调制← 正确答案
  • C.通过交叉注意力注入视觉特征← 正确答案
  • D.用蚁群算法搜索全局路径

答案：ABC。条件信息可以通过拼接、FiLM 调制、交叉注意力等方式注入扩散网络；蚁群搜索属于传统路径规划，不是扩散策略的条件注入方法。