TEDi Policy: Temporally Entangled Diffusion for Robotic Control

扩散模型已被证明在机器人模仿学习中表现优异，因为它们能够掌握建模复杂分布的挑战。然而，由于它们在图像生成方面非常受欢迎，因此传统上并没有将采样速度作为优先考虑的因素，从而限制了它们在动态任务中的应用。虽然最近的研究改善了基于扩散的机器人策略的采样速度，但它们仍然局限于图像生成领域的技术。我们将专门用于轨迹生成的时间纠缠扩散（TEDi）框架应用于加速基于扩散的模仿学习策略。我们引入了TEDi策略，具有新颖的训练和采样方案，并表明它在保持表现良好的同时，大大提高了采样速度，适用于最先进的基于扩散的模仿学习策略。

本文旨在提高扩散模型在机器人模仿学习中的采样速度，以便在动态任务中应用。同时，还试图解决扩散模型在图像生成领域受限的问题。

本文提出了一种名为TEDi Policy的新型扩散模型策略，通过改进训练和采样的技术实现了快速采样，并在保持性能的同时解决了扩散模型在动态任务中应用受限的问题。

本文使用了TEDi框架进行策略训练和采样，提高了扩散模型在机器人模仿学习中的采样速度。实验结果表明，TEDi Policy在保持性能的同时，采样速度得到了显著提高。此外，本文还提供了开源代码。

最近的相关研究包括：1.《Diffusion Models Beat GANs on Image Synthesis》；2.《Diffusion Models: A Flexible and Efficient Framework for Image Generation and Inference》；3.《Trajectory Prediction with Conditional Diffusion Processes》等。