具身智能机器人扩散策略Diffusion Policy环境安装与运行.pptx

具身智能机器人扩散策略DiffusionPolicy环境安装与运行

1主要内容23扩散策略综述扩散策略源码使用逻辑训练UMI扩散策略4UMI训练过程

1扩散策略综述

具身智能基本原理4非端到端模型：基于VLM的具身分层模型具身智能（EmbodiedIntelligence）：具身的含义不是身体本身，而是与环境交互以及在环境中做事的整体需求和功能。具身智能三大环节：感知—决策—执行1.感知（Perception）：智能体通过传感器（如视觉、听觉、触觉等）收集环境中的信息。感知环节是智能体理解周围环境并生成内部表示的基础。没有准确的感知，智能体无法做出有效的决策。2.决策（Decision-Making）：智能体在获得感知信息后，通过内部模型和算法，评估不同的可能行动方案，并选择最优的行动策略。高效的决策是实现智能行为的核心，因为它直接影响智能体的反应和表现。3.执行（Execution）：智能体将决策结果转化为具体的物理动作，以实现预定目标。执行能力的提升直接关系到智能体的实际应用效果。端到端模型：基于VLA的具身模型

具身智能与dp/umi/dexcap5具身智能三大环节：感知—决策—执行1.感知：RealSenseD4152.决策：DiffusionPolicy3.执行：UR5-CB3orUR5e及棍状末端1.感知：Goprohero92.决策：DiffusionPolicy3.执行：UR5-CB3orUR5e及二指夹爪1.感知：RealsenseL515RealSenseT2652.决策：DiffusionPolicy3.执行：FrankaFR3及四指夹爪LEAPHand

Diffusion基本原理6DiffusionPolicy：Diffusion（扩散）是一种生成方法，最初被用在图像生成领域。图像生成技术，如StableDiffusion和Midjourney，都基于这种扩散方法。扩散方法的核心思想是，通过逐步地对图像进行调整和改善，从而生成高质量的图像。扩散模型训练过程扩散模型图像生成过程VAE模型编码解码过程

Policy基本原理7DiffusionPolicy：Policy（策略）在机器学习和控制系统中指的是一种决策规则或机制。对于机器人控制，策略的输入通常是感知信息（例如摄像头捕捉到的视频）以及其他传感器提供的数据（例如机器人各个关节的位置）。策略的输出则是机器人需要执行的具体动作。DiffusionPolicy架构对比DiffusionPolicy效果对比

DiffusionPolicy基本原理8扩散策略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。扩散策略接收输入的观察数据，然后通过噪声预测网络将高斯噪声添加到输入数据上。接着，系统通过多次迭代去噪的过程，逐步减少噪声，使输出动作变得更加明确和稳定。每次迭代去噪都会将噪声减少一部分，直至最终得到一个接近真实的动作。这个过程形成一个闭环，系统能够以大约2Hz的频率进行实时反应。1.动作多模态性2.动作空间可扩展性3.训练稳定性

2扩散策略源码使用逻辑

dp/umi/dexcap源码解读10具身智能三大环节：感知—决策—执行1.感知：RealSenseD4152.决策：DiffusionPolicy3.执行：UR5-CB3orUR5e及棍状末端1.感知：Goprohero92.决策：DiffusionPolicy3.执行：UR5-CB3orUR5e及二指夹爪1.感知：RealsenseL515RealSenseT2652.决策：DiffusionPolicy3.执行：FrankaFR3及四指夹爪LEAPHand

dp/umi/dexcap源码对比11脚本示例demo_pusht.py1.安装dp环境：condaenvcreate-fconda_environment.yaml2.安装rtde：pipinstallur_rtde3.启动环境并运行：pythondemo_pusht.py-odata/pusht_demo.zarr-o或--output：指定演示数据保存的输出文件路径（必需）。-rs或--render_size：设置环境渲染的大小，默认值为96。-hz或--control_hz：设置控制频率，默认值为10Hz。

3训练UMI扩散策略

UMI扩散策略训练131.生成训练数据：python?scripts_slam_pipeli