「扩散策略」借用图像生成里的扩散模型思路来做机器人控制：不再让网络一步回归出一个动作，而是把"动作序列"当作要生成的样本，从噪声出发、在视觉观测的条件下逐步去噪，最终得到一段可执行的动作。
论文的做法与结论
论文把机器人的视觉运动策略表示为一个条件去噪扩散过程，学习动作分布得分函数的梯度，推理时用一系列随机 Langevin 动力学步骤沿该梯度场迭代优化。在 4 个机器人操作基准的 12 个任务上评测，论文报告其平均表现优于当时的已有方法（原文给出的数字是平均提升 46.9%）。作者认为扩散形式带来三点好处：能自然处理多模态的动作分布（同一情境下存在多种合理做法）、适合高维动作空间、训练较稳定。为了让扩散模型真正跑在实体机器人上，论文还引入了滚动时域控制、视觉条件化与时间序列扩散 Transformer。
与「扩散模型」的关系
扩散模型原本用于图像等内容的生成，扩散策略把这套去噪机制搬到动作空间，属于同一类生成范式的跨域应用，不是新的生成模型架构。
适用边界
生成动作需要多步去噪，推理开销明显高于单步回归，对控制频率高的任务需要额外优化；效果高度依赖示教数据的质量与覆盖度，属于模仿学习路线，难以自动超越示教水平。