扩散动作头

接在策略主干后面、用扩散去噪的方式生成连续动作的输出模块。

扩散动作头是动作头（策略网络里最后负责输出动作的部分）的一种。主干网络，比如 Transformer 或 VLM，先把图像、语言和机器人状态编码成特征；扩散头以这些特征为条件，从随机噪声出发多步去噪，生成一段连续动作。和直接回归相比，它能表达多峰的动作分布，示范里「从左绕」和「从右绕」都合理时，不会平均成一条撞上去的中间路线；和把动作离散成 token 相比，它保留了连续数值的精度。代价是推理要多次调用网络。它可大可小：Octo 用一个 3 层 MLP，GR00T N1、CogACT 则用独立的扩散 Transformer 作动作模块；π0 这类用流匹配的动作专家原理相近，也常被放在一起讨论。

例子Octo 的 Transformer 主干输出读出（readout）token 的嵌入，交给 3 层 MLP 构成的扩散头，用 20 步去噪生成一段动作。论文对比发现，换成 MSE 回归头时机器人动作迟缓犹豫，换成离散动作头时精度不够、常常抓空。

也叫

扩散头、Diffusion Head

相关

动作头、动作专家、扩散策略、扩散 Transformer、动作多峰性、连续动作回归

来源

Octo: An Open-Source Generalist Robot Policy (arXiv 2405.12213)
GR00T N1: An Open Foundation Model for Generalist Humanoid Robots (arXiv 2503.14734)
CogACT: A Foundational Vision-Language-Action Model for Synergizing Cognition and Action (arXiv 2411.19650)