T05 · 模仿学习的动作分布建模（Diffusion Policy 谱系）

一、这条线索在解决什么

模仿学习（Imitation Learning, IL）想做的事情很朴素：给一堆人类演示轨迹 $\{(o_t, a_t)\}$，学一个映射 $\pi(a\mid o)$。它最吸引人的地方是不用设计 reward——在机器人操作领域，设计一个稳定、不 reward hacking、还能引导出精细操作的 reward 是出了名的难。理论上只要数据够多，监督学习就能把策略学出来。

但朴素的行为克隆（Behavioral Cloning, BC）——用 MSE 回归下一步动作——有两个数学上回避不掉的先天缺陷，这条线索的全部演进都围绕这两点展开：

1. 协变量偏移（covariate shift）与级联误差（compounding error）。训练时策略只见过专家轨迹上的状态分布 $p_{\text{expert}}(o)$；部署时一旦做出一个稍微偏离的动作，机器人就会落到训练集没见过的状态上，误差雪球式放大。形式上，设单步误差 $\epsilon$，T 步后误差按 $O(\epsilon T^2)$ 累积（[Ross 2011, arxiv:1011.0686] 的经典 bound）。这是 IL 区别于 RL 的根本痛点——RL 的策略是自己 roll-out 训练的，本身就在自己的状态分布上；BC 的策略是 off-distribution 训练的。
2. 多模态动作分布（multimodal action distribution）。把一个扳手拧到目标位姿，左转、右转都是正确答案，演示数据里两种动作都出现。MSE 回归会把两个 mode 平均成一个 mode 之间的无效动作——数学上 $\arg\min_a \mathbb{E}[\|a - a_{\text{demo}}\|^2] = \mathbb{E}[a_{\text{demo}}]$，对两个对称的高斯分布就是均值零附近的「什么也不做」。这是为什么 LSTM + MSE BC 在稍微多模态一点的任务上就崩。

这两个缺陷各自催生了一条解法：DAgger 解决协变量偏移，Diffusion Policy / ACT 解决多模态。这条线索的故事，就是看这两个 trick 怎么被组合、被规模化、最终被吸收进 VLA 基础模型。

术语澄清：这里的「多模态」指动作分布的多模态（action distribution multimodality），和「多模态输入」（视觉+语言，multimodal input）是完全不同的两个概念，二者只是共用同一个英文词。这条线索谈的是前者；VLA 线索（T06）谈的是后者。

二、时间线（关键转折点）

2011 年 DAgger 用在线学习把协变量偏移规约为 no-regret 问题，给出了第一个理论补丁——但要不停喊专家标注，工程上没人愿意长期部署。2013–2022 年 IL 在机器人上一直不温不火，因为这两个病都没真正治好。

转折发生在 2023 年 3–4 月的连续两个月：Columbia 的 [Chi 2023, arxiv:2303.04137]（Diffusion Policy）和 Stanford 的 [Zhao 2023, arxiv:2304.13705]（ACT / ALOHA）几乎同时给出了多模态动作分布的两种解法——一个用条件扩散，一个用 CVAE——而且两者都不约而同地塞进了 action chunking（一次预测一段动作序列），顺带把协变量偏移也缓解了。这是一次教科书级的「平行收敛」。

之后这条线索分四条支脉演化：(1) 3D 泛化——DP3 把 2D 像素换成点云；(2) 推理加速——Consistency Policy / FlowPolicy 把几十步去噪压到 1–2 步；(3) 大规模化——RDT-1B / CogACT 把 diffusion action head 推到 1B+；(4) 被 VLA 吸收——π0 把 flow matching action head 塞进 PaliGemma，IL 思想正式成为 VLA 的「动作生成器」。

三、关键转折的深度解析

转折 0：DAgger（2011）——协变量偏移的理论补丁

• 前作的缺陷：朴素 BC 的状态分布错配，前面讲过了。
• 核心 idea：不要只在专家分布上训练，而要让策略用自己诱导出的状态分布继续查询专家标签。具体做法是迭代：当前策略 $\pi_i$ 跑出一条轨迹 $\to$ 对轨迹上每个状态问专家要动作 $\to$ 把 $(o, a_{\text{expert}})$ 加进数据集 $\to$ 重新训练 $\pi_{i+1}$。[Ross, Gordon, Bagnell 2011] 把这规约为 no-regret online learning（每次迭代是一个「在线决策」），证明 $\epsilon$-suboptimal 专家能把总 regret 控制到 $O(T\epsilon + \sqrt{T})$，从理论上把 IL 误差拉到和专家同阶。
• 为什么是突破：第一个把协变量偏移说清楚、给出可证明 bound 的工作。
• 留下的新问题：要不停喊专家。在机器人上专家就是人，意味着要在线让人纠正机器人的错误——昂贵、危险、不可规模化。后来 HG-DAgger / Safe DAgger 都是工程上的妥协，但根本问题（需要持续人工介入）没解决。这正是后来 action chunking 之所以重要的原因：它不需要任何额外人工就能近似缓解协变量偏移。

转折 1：Diffusion Policy（2023.03）——双重创新

[Chi et al. 2023] 同时做了两件事，每件都单独是重要贡献，但必须一起用才成立。以下精确数字来自论文 PDF Sec.2–5 + Table 1（超参表），详见 P-DiffusionPolicy-2023.md。

创新一：用条件去噪扩散学动作分布。 策略不再回归一个动作，而是学一个条件生成模型 $\pi_\theta(A_t \mid O_t)$，把动作序列当成「图像」来去噪。训练时把演示动作 $A^0_t$ 加噪成 $A^k_t$（DDPM 前向过程，论文 Eq.3 loss = $\text{MSE}(\epsilon^k, \epsilon_\theta(O_t, A^0_t+\epsilon^k, k))$），模型学一个 $\epsilon_\theta$ 预测加的噪声；推理时从纯高斯噪声 $A^K_t \sim \mathcal{N}(0,I)$ 开始，按论文 Eq.4 迭代去噪得到动作 chunk：

$$A^{k-1}_t = \alpha\big(A^k_t - \gamma\,\epsilon_\theta(O_t, A^k_t, k) + \mathcal{N}(0, \sigma^2 I)\big)$$

扩散模型本身是生成式模型，天然能表达多模态分布——左转和右转在去噪轨迹里是两条不同的吸引子，不会互相平均。这是「为什么 MSE 处理不了」的直接解药。关键的 visual conditioning（Sec.2.3）：观测 $O_t$ 只作为 conditioning、不参与去噪过程输出——视觉 encoder 只算一次（不论多少去噪步），大幅降低推理成本、让端到端视觉 encoder 训练可行。论文用 DDIM（Sec.3.4）把训练 100 步去耦到推理 16 步（仿真任务训练/推理一致用 100 步 iDDPM，真机任务 DDIM 减到 16 步，Tab.7 D-Iters Train=100 / Eval=16），单 NVIDIA 3080 上推理延迟约 0.1 秒。

创新二：action chunking + receding-horizon（论文 Sec.2.3，三个 horizon 精确值见 Table 1）。 每次推理不预测单步动作，而是预测未来 $T_p$ 步、只执行前 $T_a$ 步、观测过去 $T_o$ 步：

• 观测 horizon $T_o = 2$（视觉任务，Block Push 用 3）——论文消融（Fig.14）发现视觉 DP 对 $T_o$ 敏感，$T_o=2$ 是最佳折中，>1 即可，太长反而降性能。
• 预测 horizon $T_p = 16$（Block Push 12）——扩散在 16 维序列上去噪。
• 执行 horizon $T_a = 8$（Block Push 用 1）—— receding-horizon 每执行 8 步后重新规划。论文消融（Fig.5 左）确认 $T_a=8$ 是最佳，太短（=1）动作 jittery、太长反应慢。

这同时带来两个好处：(a) 缓解协变量偏移——一条长度 $T$ 的任务，原本要做 $T$ 次决策、误差雪球 $T$ 次，现在只做 $T/T_a$ 次决策，[Ross 2011] 的 $O(\epsilon T^2)$ bound 被开方；(b) 在序列层面做去噪，扩散能学到「这段动作是连贯的抓取轨迹」而不是「下一步往哪走」的细粒度噪声。论文 Sec.4.2 还有一个反直觉发现：位置控制（position control）大幅优于速度控制——这与之前 BC 文献主流（vel control）相反，原因是位置控制的多模态性更强、且 compounding error 更小，DP 能利用这一点而 MSE-based BC 不能。

为什么两个必须一起用：单独用 diffusion 学单步动作，仍受协变量偏移折磨；单独用 chunking + MSE 回归（后来的 naive chunked BC），还是被多模态分布打回原形。Diffusion Policy 的真正贡献是让 chunk 这个高维对象变得可生成——用 MSE 回归 16 步动作会塌缩成一个平均序列，而 diffusion 能在序列空间里采样出多个 mode。

网络架构（Sec.3.1）：论文给了两种 backbone：

• (i) 1D temporal CNN（U-Net 式，论文 Fig.2b）——采用 Janner et al. 2022b 的 1D temporal CNN，3 处改造：(1) 用 FiLM（Feature-wise Linear Modulation, Perez 2018） 把观测特征 $O_t$ 和去噪步 $k$ 在每个卷积层 channel-wise 注入；(2) 只预测动作轨迹（不拼观测）；(3) 移除 inpainting 式 goal conditioning（与 receding horizon 不兼容）。#D-Params：单臂任务（Lift/Can/Square/Push-T）= 22M，双臂 Transport（4 相机）= 45M（Table 1，待核：与 P-DiffusionPolicy-2023.md 未单独列出，仅 Table 1 引用）；社区官方实现 diffusion_policy 默认 down_dims=[256, 512, 1024]（U-Net 下采样通道）。
• (ii) Time-series Diffusion Transformer（Sec.3.1, Fig.2c）——基于 minGPT 架构，noisy action 作为 decoder input token、sinusoidal 步数 $k$ embedding prepend 为首 token、观测 $O_t$ 经 shared MLP 转 embedding 在 cross-attention 注入；action token 之间用 causal attention mask（只能 attend 自己和之前的 action embedding）。Transformer 在 state-based、高频动作变化的任务上更强，但对超参更敏感。
• 论文推荐（Sec.3.1 末）：新任务首选 CNN 版本（out-of-the-box、几乎不需调参），若因任务复杂或高频动作变化性能不够，再换 Transformer 牺牲调参便利换性能。
• 视觉 encoder（Sec.3.2）：ResNet-18（无预训练），2 处改造——(1) 用 spatial softmax pooling 替换 global average pooling 保空间信息；(2) 用 GroupNorm 替换 BatchNorm（与 DDPM 的 EMA 不兼容）。不同相机视角用独立 encoder，每帧独立编码再拼接。
• Noise schedule（Sec.3.3）：iDDPM 的 Square Cosine Schedule 实测最佳（控制高低频特性的平衡）。

主流社区默认采用 CNN 版本，这也是后续 DP3/RDT 等改架构的起点。详见 P-DiffusionPolicy-2023.md。

转折 2：ACT / ALOHA（2023.04）——平行解

[Zhao, Kumar, Levine, Finn 2023] 走了完全另一条路解决同样两个问题：

• 协变量偏移：同样的 action chunking（一次预测 100 步动作），同样的「有效 horizon 缩短」机制。
• temporal ensemble：ACT 多了一个 trick——每次推理新 chunk 时，把多个重叠 chunk 在重叠步的预测做指数加权平均，进一步平滑误差。这是 ACT 比 naive chunked BC 更鲁棒的关键细节。

ALOHA 硬件范式：这篇论文一半篇幅是讲它的低成本双臂遥操平台——两个 leader 臂 + 两个 follower 臂，leader 臂没有电机只有编码器，人操作 leader，follower 同步跟随，直接记录关节空间动作。把双臂 teleop 成本从百万美元级（传统 leader-follower 工业臂）压到两万美元级，让精细双臂数据采集变成社区可复现的事。这是 ACT 这篇论文最大的产业影响——后续 Mobile ALOHA、HumanPlus、甚至 π0 的数据采集都沿用 ALOHA 范式。

详见 P-ACT-ALOHA-2023.md。

转折 3：推理加速——把 50 步压到 1 步

Diffusion Policy 推理要 50–100 步去噪，在 10–20 Hz 控制频率上勉强够用，但灵巧操作（30 Hz+）根本跟不上。三条加速路线：

• Consistency Policy [Prasad 2024, arxiv:2405.07503]：用 consistency distillation，把训练好的 diffusion policy（teacher）蒸馏成一个 student，让 student 在任意噪声水平 $k$ 上都映射到去噪轨迹的同一个「固定点」。推理时 student 一步就能跳到近似最终结果，性能保持但速度快 1–2 个数量级，实时性接近 ACT。ManiCM [Lu 2024, arxiv:2406.01586] 把同一思想用到 3D 点云 DP 上。
• Crossway Diffusion [Li 2023, arxiv:2307.01849]：换个思路——不是减步数，而是让去噪潜空间同时重建观测，做自监督辅助损失「十字交叉」监督。它不直接加速，但让表征更紧、收敛更快、最终性能更高，间接降低同等性能下需要的去噪步数。
• FlowPolicy [Zhang 2024, arxiv:2412.04987]：换底层生成模型——从 DDPM 式迭代去噪换成 flow matching。flow matching 学一个把噪声 $a_0$ 连续传输到动作 $a_1$ 的向量场 $v_\theta$，推理时解一个 ODE $\mathrm{d}a/\mathrm{d}t = v_\theta(a_t, t, o)$。相比 diffusion，flow matching 的轨迹是近似直线，ODE 用少数几步 Euler 就能解，天然更快且训练更稳。这是 diffusion action head 被 flow matching 取代的拐点。

转折 4：3D 泛化支线——DP3 与 iDP3

Diffusion Policy 用 2D RGB 图像，泛化到新相机视角、新物体姿态就掉点。

• DP3 [Ze 2024, arxiv:2403.03954]：把 RGB 换成稀疏点云。关键是它发现不需要复杂的 3D backbone——一个超简单的 MLP + pooling 点云编码器（不是 PointNet++ 也不是 Transformer）配 diffusion policy，在 72 个任务上比 2D Diffusion Policy 平均提升 24.2%，且只要 10 条示教就行。直觉解释：3D 点云把「物体的几何位置」直接以欧式坐标喂给模型，模型不用从 2D 像素隐式学透视投影；只要几何对了，少量示教就能泛化到新视角/新物体姿态。
• iDP3 [Ze 2024, arxiv:2410.10803]：把 DP3 迁移到 Fourier GR1 人形，做了两个工程化改进：① 去掉对外部相机标定的依赖，直接在相机坐标系（camera frame）做 3D 表示——点云进网络前不做世界坐标系变换，头部 RealSense L515 LiDAR 跟着人形头/腰动；② 去掉点云分割（不像 DP3 要先分割出物体点云），直接喂场景级稠密点云（DP3 的 FPS 稀疏采样换成 voxel + uniform 级联）。这让人形上半身抓放任务无需相机标定、无需点云分割就能泛化。配套用 Apple Vision Pro 做数据采集（人戴 AVP，head/hands/wrists 位姿实时映射到 25-DoF 上半身），是 2024 年人形 IL 的工程典范。

转折 5：大规模化——RDT-1B 与 CogACT

到 2024 年底，diffusion action head 开始往基础模型走。

• RDT-1B [Liu 2024, arxiv:2410.07864]（清华 TSAIL）：把 diffusion 做到 1.2B 参数，用 MMDiT（Multimodal Diffusion Transformer）架构在 1M+ 多机器人轨迹上预训练，一次预测 64 步动作 chunk，开源权重（待核：1.2B / 1M+ / 64 步等数字未在站内深笔记中独立校核）。是目前最大的纯 diffusion 操作基础模型。意义：证明 diffusion action head 能从「单任务 policy」scale 到「跨本体基础模型」。
• CogACT [Li 2024, arxiv:2411.19650]（MSR）：换思路——不要把动作当语言 token（像 RT-2 那样离散化），而是认知（视觉/语言）与动作解耦。视觉/语言走标准 VLM，动作模块独立设计成 diffusion action head。在 OpenVLA 上注入 diffusion action head 后大幅超越离散 token 动作，是 VLA 架构「认知-动作解耦」的标志性工作。

转折 6：π0——VLA 吸收 IL 思想

[Black et al. 2024, arxiv:2410.24164]（Physical Intelligence）是这条线索的合流点。π0 的本质是把 Diffusion Policy 的动作生成思想塞进 VLA：

• 基座是 PaliGemma 3B VLM，提供语言+视觉理解。
• 动作输出不用离散 token（RT-2 路线），而是用 flow matching action head 生成连续动作 chunk（$H=50$ 步）。
• flow matching 训练目标：构造线性插值路径 $z_t = (1-t)x + t a$（$x$ 是噪声，$a$ 是真值动作），学向量场 $v_\theta$ 去拟合目标 $u_t = a - x$（即 $\dot z_t = a - x$，从噪声指向真值动作）。推理时从 $t=0$（噪声）积分到 $t=1$（动作），用 10 步 Euler ODE（步长 $\delta=0.1$）求解。
• action expert 是一组独立参数，通过 shared attention（KV cache）和 PaliGemma 交互——语言/视觉 token 只算一次前向，动作去噪在 KV cache 上反复迭代。

为什么是 flow matching 而不是 diffusion：flow matching 更稳、更快、训练更容易 scale（直线 ODE 比 S 形去噪轨迹更友好）。π0 之后，flow matching 成为 VLA 动作生成的事实标准（π0.5、GR00T、Helix 都跟）。

2026 最新进展

2026 上半年 diffusion/flow policy 沿「实时化 / 次优数据 / 多帧坐标系 / 历史动作作起点」四条轴线深化——把 2023–24 留下的「推理慢、对数据质量敏感、单一坐标系僵硬、必须从噪声开始」四个痛点逐一下降：

• Reflex 把 flow-matching VLA 拉回实时（× T06/T10）：Reflex [Guo & Liu, arxiv:2607.14695]（THU）发现 perception encoders 在不同去噪步上函数近似不变（「时间步不变性」），据此为 flow-matching VLA 启用 streaming inference + KV-cache——实时控制率下仍保持精确连续控制。正面解决 flow-matching VLA 的根本痛点（迭代去噪 + 全局时间步注入使 KV-cache 失效，被迫 $O(N^2)$ 重算或错误缓存复用），把实时性还给 flow-matching 系 VLA，是部署侧关键一击，回应第六节列出的「推理延迟 vs 灵巧频率」最尖锐开放问题。
• Ambient Diffusion Policy：从次优数据安全学习：Ambient Diffusion Policy [Wei et al., arxiv:2606.12365]（MIT Tedrake 组）用 noise-dependent data usage 让次优数据只在高/低 diffusion time 起作用；理论上证明机器人动作数据呈谱功率律，使最优 diffusion policy 具有 global-to-local hierarchy 和 locality；在 Open X-Embodiment 等混合数据上比 co-training 基线提升 33%。首次把扩散模型理论与机器人数据光谱特性结合，给出从次优/异质数据中安全学习的原则性框架——对利用 Open X-Embodiment 类异质大数据集意义重大。
• MoF：多帧同步去噪打破单一坐标系：Mixture of Frames Policy [Wang et al., arxiv:2607.11884]（Stanford，Bohg 组）一个 diffusion policy 在多个坐标系（末端、base 等）下同步做动作去噪，并维持单一 canonical 动作表征，由 learned router 在每时刻选择最简洁表达的帧——专为双臂移动操作这种天然多坐标系的场景设计。打破现有 diffusion policy 锁定单一动作坐标系、使某些任务在该帧下变得复杂的僵局。
• A2A Flow Matching：挑战「必须从噪声开始」的前提：A2A Flow Matching [Jia et al., arxiv:2602.07322]（HKUST Yang 组）以历史 proprioceptive action 序列编码为高维 latent 作为 flow matching 起点，替代标准 diffusion policy 的随机高斯噪声初始化；单步推理即可生成高质量动作，并把方法推广到视频生成。在原理上挑战 diffusion/flow policy 必须从随机噪声开始的前提，用历史动作做 informed initialization 大幅降低推理步数与延迟——为 action generation 的实时性与时间连续性提供新范式。

1. 朴素 BC 有两个数学上回避不掉的缺陷：协变量偏移导致 $O(\epsilon T^2)$ 累积误差、MSE 回归会把多模态动作平均成「什么也不做」的无效动作
2. DAgger 给出协变量偏移的第一个理论补丁，但要持续专家在线纠正，工程上不可规模化——这正是 action chunking 重要的根本原因
3. Diffusion Policy 的双重创新（扩散建模多模态 + action chunking）必须一起用：单独用扩散仍受协变量偏移折磨，单独用 chunking + MSE 会被多模态打回原形
4. ACT 是平行解：用 CVAE latent 隐式建模多模态（推理快、表达弱），ALOHA 同时把双臂 teleop 成本从百万级压到两万级，是产业级影响
5. π0 把 flow matching action head 塞进 VLA，IL 思想正式被 VLA 吸收；flow matching 凭「路径直、训练稳、天然多模态」成为动作生成事实标准

四、相似概念辨析

五、与其他线索的交叉点

• 与 T07（人形 teleop 栈）：iDP3 / ALOHA / Apple Vision Pro 采集是这条线索的「数据入口」。teleop 提供数据，diffusion policy 消费数据——两者强耦合。
• 与 T06（VLA 五段论）：π0 是这条线索的「终点」——diffusion/flow action head 被 VLA 吸收。CogACT / OpenVLA-OFT 是 IL 思想反向流入离散 token VLA 的代表。
• 与 T08（动作生成）：diffusion 在动作空间去噪的数学，和动作生成（MDM / PhysDiff）是同一套。机器人操作的 action chunk = 短动作片段；动作生成长序列 = 长 chunk。两条线在 BeyondMimic / ReinDiffuse 合流。
• 与 T03（reward design）：IL 这条线本质上是「绕开 reward 设计」。但 ReinFlow [2025] 用 online RL 微调 flow matching policy，标志 IL 和 RL 开始混合——IL 给冷启动，RL 给自我改进。

六、当前局限与开放问题

1. 推理延迟 vs 灵巧控制频率的矛盾。diffusion 50 步、flow 10 步都还是太慢，灵巧手 30 Hz+ 闭环吃力。Consistency Policy / OneDP 把它压到 1 步，但 1 步学生有性能损失。真正实时、零损失的 diffusion action head 仍未出现。
2. 长程任务的单 chunk 局限。Diffusion Policy chunk 长度 $N=16$，π0 是 $H=50$，都远不够家居级几十分钟任务。当前解法是分层 VLA——π0.5 让 VLM 当高层语义预测器，底层 flow policy 执行。但高层/底层接口（语言？latent？关节？）怎么设计是开放问题。
3. 协变量偏移真的被解决了吗？ action chunking 只是缩短有效 horizon、推迟协变量偏移的发生，不是消除。一旦 chunk 滚动累积的误差把策略推出训练分布，仍会崩。最近的 [Block 2025, arxiv:2507.09061]（待核：未在 papers.jsonl 中收录）给出了 chunking 防止 compounding error 的首个理论 bound，但前提是 chunk 内开环执行稳定——这本身就是假设。真正治本还是要 DAgger 式在线纠正，但工程上没人愿意做。
4. 离散 vs 连续 action 表征的 trade-off 还没收敛。RT-2 / OpenVLA 押离散 token，π0 / RDT 押连续 flow，CogACT 干脆把两者解耦让用户选。哪条路会胜出仍不清楚——可能取决于 VLM backbone 的演化。
5. 3D 表征的代价。DP3 / iDP3 证明点云大幅提升泛化，但点云采集（深度相机）比 RGB 贵、噪声大、室外失效。2D RGB + 大规模预训练（π0 路线）vs 3D 点云 + 小数据（DP3 路线）是两条平行赛道。

七、涉及里程碑论文

• [Ross, Gordon, Bagnell 2011, arxiv:1011.0686] DAgger —— 协变量偏移的理论补丁，第一道。
• [Chi et al. 2023, arxiv:2303.04137] Diffusion Policy —— 双重创新（diffusion + chunking），本线索起点。详见 P-DiffusionPolicy-2023.md。
• [Zhao et al. 2023, arxiv:2304.13705] ACT / ALOHA —— 平行解（CVAE + chunking），另一半起点。详见 P-ACT-ALOHA-2023.md。
• [Ze et al. 2024, arxiv:2403.03954] DP3 —— 3D 点云支线起点。
• [Ze et al. 2024, arxiv:2410.10803] iDP3 —— 人形 + AVP 采集。
• [Prasad et al. 2024, arxiv:2405.07503] Consistency Policy —— 一致性蒸馏加速。
• [Zhang et al. 2024, arxiv:2412.04987] FlowPolicy —— flow matching 取代 diffusion 的拐点。
• [Liu et al. 2024, arxiv:2410.07864] RDT-1B —— diffusion action head scale 到 1.2B。
• [Li et al. 2024, arxiv:2411.19650] CogACT —— 认知-动作解耦。
• [Black et al. 2024, arxiv:2410.24164] π0 —— VLA 吸收 flow matching action head，本线索合流点。

八、参考文献与延伸阅读

• 本仓库内论文笔记：P-DiffusionPolicy-2023.md、P-ACT-ALOHA-2023.md、P-DP3-2024.md、P-iDP3-2024.md、P-pi0-2024.md
• 相关线索：T06 VLA 五段演进（VLA 五段论）、T07 人形 Teleop 栈（人形 teleop）、T08 动作生成（动作生成）
• 原始调研笔记：research/data/raw/imitation_notes.md
• 外部综述：[Zhang et al. 2025, arxiv:2504.08438] 扩散操作综述；[Xiao et al. 2025, arxiv:2507.01925] 从 action tokenization 视角的 VLA 综述
• 实现参考：HuggingFace LeRobot 的 ACT / Diffusion Policy 实现是最易上手的复现入口