菁特智能提供一站式具身智能模型部署解决方案：扩散策略+UMI框架方式
扩散策略 diffusion policy
•
扩散策略(DP)是一种新的机器人行为生成方法，它将机器人的视觉运动策略表示
为一个条件去噪扩散过程。
•
对4种不同机器人操作基准的15种不同任务的扩散策略进行的基准测试中，该策略
始终优于现有的最先进的机器人学习方法，平均提高了46.9%。
•
扩散策略学习动作分布评分函数的梯度，并在推理过程中通过一系列随机朗之万动
力学步骤对该梯度场进行迭代优化。
•
扩散公式在用于机器人策略时具有强大的优势，包括优雅地处理多模态动作分布，
适用于高维动作空间，并表现出令人印象深刻的训练稳定性。
多模态动作分布的建模：Diffusion Policy能够有效地捕捉和表达复杂的多模态动作
分布。通过去噪过程，该模型能够从高斯噪声中生成多种合理的动作序列，反映出多
样化的行为模式。
•位置控制（Position Control）的协同效应：通过联合建模多个动作的分布，
Diffusion Policy能够捕捉到不同动作之间的协同效应。
•动作序列预测的优势：Diffusion Policy不仅可以预测单步动作，还能够预测长时间
序列的动作。
• 训练的稳定性：通过学习能量函数的梯度而不是直接学习动作分布，Diffusion
Policy避免了对归一化常数的估计，从而实现了更加稳定的训练过程。
一种通用操控界面（Universal Manipulation Interface，UMI），这是一
。
• UMI使用手持抓握器，结合精心设计的接口，能够实现便携、低成本且信息丰富的
数据采集，尤其适用于复杂的双手操作和动态操控示范。
•
为了促进可部署的策略学习，UMI引入了精心设计的策略接口，包括推理时的延迟
匹配和相对轨迹动作表示。
• UMI所学习到的策略不依赖特定硬件，能够在多个机器人平台上直接部署。
