• 专家示范的正确动作具有高概率，也就是低能量
• 无效的、乱七八糟的动作则具有低概率，也就是高能量
• 纯随机的噪声，就相当于在这个能量场中处于非常高、非常边缘位置的毫无意义的动作 。

神经网络 $\epsilon_\theta$ 并没有被训练去直接输出一个最终动作，而是被训练去预测当前数据里包含的噪声 (确信是ddpm)

流程

通过摄像头和自身传感器，获取过去 $T_o$ 步的连续画面和机器人的本体状态 。

模型要预测未来 $T_p$ 步的完整动作轨迹，先在多维动作空间中，凭空生成一段长度为 $T_p$ 的纯高斯随机噪声序列，标记为 $A_t^K$ 。此时他们是一堆毫无规律、漫天乱飞的动作指令

接下来循环去噪，系统一共要迭代 $K$ 次 。在每一次迭代 $k$ 中（倒计时从 $K$ 到 1），神经网络 $\epsilon_\theta$ 会同时接收三个关键输入：当前的噪声动作序列 $A_t^k$、第 1 步获取的视觉观察特征 $O_t$（作为引路的条件）、以及当前的去噪进度指示器 $k$ 。通过ddpm的方式，模型将从当前的 $A_t^k$ 中按一定比例减去噪声，从而得到稍微清晰、平滑一点的序列 $A_t^{k-1}$ 。这个过程循环往复 $K$ 次，初始的纯噪声就被一步步“雕刻”成了一条平滑、精准、且完美符合当前视觉场景的真实动作轨迹 $A_t^0$

虽然模型费尽千辛万苦规划出了未来 $T_p$ 步的完美轨迹 $A_t^0$，但机器人并不会一股脑全部执行完 。为了应对物理世界可能发生的突发状况（比如目标突然被碰歪了），机器人只会执行这条轨迹中最前面的 $T_a$ 步。然后重新获取最新的视觉画面，进入下一个循环的重新规划 。

其他

CNN 与 Transformer

论文对比了两种截然不同的架构 ：

• CNN 架构： 论文使用一维时序卷积，并通过 FiLM 技术注入视觉特征 。它的优点是开箱即用，不需要太多调参，训练极其稳定 。但缺点是卷积网络容易产生过度平滑（Over-smoothing）效应，在处理需要剧烈速度变化的复杂任务时表现不佳
• Transformer 架构（挑战高难度）： 针对 CNN 的缺点，作者将带噪声的动作序列作为 Token 输入 Transformer 解码器，并将视觉特征通过交叉注意力机制注入 。它在处理高频、极高复杂度的任务时表现出了最强的性能，但代价是对超参数（如丢弃率、权重衰减）非常敏感，训练难度更大

抗干扰

论文在真实的推 T 型块（Push-T）实验中，对机器人进行了严苛的干扰测试 ：

• 视觉遮挡： 实验中途，人用手直接挡住前置摄像头长达 3 秒。虽然机械臂出现了轻微的抖动，但依然依靠之前的序列规划，精准完成了任务 。
• 物理抢夺： 在机器人即将完成动作时，人突然把 T 型块拨动到了另一个地方 。机器人没有死机，也没有继续对着空气推，而是立刻重新规划路径，甚至改变推的方向，把它弄回目标点 。

论文强调： 这种应对突然物理位移的纠错策略，在人类提供的示范数据中是从未出现过的。模型自己学会了根据画面变化合成新的行为 。

与真实世界的联系

作者通过数学推导证明，在一个简单的线性动力学系统中，如果仅仅让 Diffusion Policy 预测下一步（预测视野 $T_p=1$），它训练出来的去噪器，其行为在数学上会完美等价于经典的 LQR（线性二次型调节器）控制器 。

这意味着，Diffusion Policy 表面上是在模仿画面的动作，但其实它在隐式地学习物理世界的系统动力学规律 。