iLearn-Lab/VLA-Diffusion-Policy-Robotics

解决的问题

机器人操作领域的研究人员缺乏一个单一、有组织的参考来映射扩散策略这一快速发展的领域。自2022年以来，基于扩散的方法在许多机器人任务上持续优于传统方法，但相关论文分散在不同场合，且术语不一致。本项目通过提供首个全面综述来填补这一空白，系统地对现有文献进行分类和总结。

工作原理

该综述从三个角度审视扩散策略：数据如何表示（2D、3D或异构）、模型如何构建（基于大型语言模型、基于小型CNN/transformer、或基于VAE/VQ-VAE），以及采用哪种扩散策略（例如，结合强化学习、等变性、加速采样、分类器引导或自监督学习）。然后，它在每个类别下列出相关论文，并提供论文、代码和项目页面的链接。项目还包括时间线和图表，展示出版物的增长和模型架构的比较。

目标受众

这面向机器人学和机器学习领域的研究人员、研究生和从业者，他们希望快速了解基于扩散的机器人操作的现状，按类别查找相关论文，或识别研究空白和未来方向。

亮点

• 首次对机器人操作的扩散策略进行全面分析，涵盖数据表示、模型架构和扩散策略。
• 大量精选论文列表，直接链接到arXiv、代码仓库和项目网站。
• 组织化的分类法，包含三个架构家族：基于LLM、基于小型CNN/transformer和基于VAE/VQ-VAE的扩散策略。
• 包含时间线和统计图表，可视化扩散策略方法的增长和架构比较。
• 提供配套综述论文，包含更深入的分析和未来方向。