H³DP：用于视觉运动学习的三重层次化扩散策略

视觉运动策略学习在机器人操作领域取得了实质性进展，近期方法主要依赖生成模型来建模动作分布。然而，这些方法常常忽略了视觉感知和动作预测之间的关键耦合。在本工作中，我们引入了三重分层扩散策略~(H^{\mathbf{3}DP})，这是一种新颖的视觉运动学习框架，它明确地整合了分层结构，以加强视觉特征和动作生成之间的集成。H^{3}DP包含3个层级的层次结构：(1) 深度感知的输入分层，根据深度信息组织RGB-D观测数据；(2) 多尺度视觉表示，以不同粒度级别编码语义特征；以及(3) 分层条件扩散过程，将粗到细的动作生成与相应的视觉特征对齐。广泛的实验表明，H^{3}DP在44个模拟任务上的平均相对提升比基线模型高出+27.5%，并在4个具有挑战性的双臂真实世界操作任务中取得了卓越的性能。项目主页：https://lyy-iiis.github.io/h3dp/。