রোবট নিয়ন্ত্রণের জন্য ডিফিউশন নীতি

ডিফিউশন পলিসি রোবট নিয়ন্ত্রণে স্টেবল ডিফিউশনের মতো ইমেজ জেনারেটরের পিছনে একই ডিনোইসিং ধারণা প্রয়োগ করে: একটি একক পরবর্তী ক্রিয়া ভবিষ্যদ্বাণী করার পরিবর্তে, এটি পুনরাবৃত্তিমূলকভাবে শোরগোল পরিমার্জন করে ভবিষ্যতের ক্রিয়াগুলির একটি সম্পূর্ণ সংক্ষিপ্ত ক্রম তৈরি করে। এটি গুরুত্বপূর্ণ কারণ এটি বাস্তব ম্যানিপুলেশনের অগোছালো, মাল্টি-মডেল প্রকৃতিকে পুরানো পদ্ধতির চেয়ে অনেক ভালোভাবে পরিচালনা করে।

ডিফিউশন পলিসি একটি বিচ্ছিন্ন কমান্ডের পরিবর্তে একটি অ্যাকশন খণ্ড তৈরি করে — অ্যাকশনের বেশ কয়েকটি ভবিষ্যত টাইমস্টেপ — ডিনোইসিংয়ের মাধ্যমে।

ইমেজ ডিফিউশন মডেলের মতো, এটি শব্দ থেকে শুরু হয় এবং পুনরাবৃত্তিমূলকভাবে অস্বীকার করে, কিন্তু এখানে আউটপুটটি পর্যবেক্ষণের উপর শর্তযুক্ত একটি অ্যাকশন ট্র্যাজেক্টোরি।

যখন বেশ কিছু ক্রিয়া বৈধ হয় (যেমন, বাম বা ডানে ধরুন), রিগ্রেশন গড় তাদের একটি দুর্বল মধ্যম বিকল্পে পরিণত করে; বিস্তার একটি একক মোড পরিষ্কারভাবে প্রতিশ্রুতিবদ্ধ করতে পারেন.

গাউসিয়ান আওয়াজ প্রদর্শিত ক্রিয়াগুলিতে যোগ করা হয় এবং নেটওয়ার্কটি সেই শব্দ (পর্যবেক্ষণের শর্তযুক্ত) ভবিষ্যদ্বাণী করতে শেখে, যা স্ট্যান্ডার্ড ডিনোইসিং উদ্দেশ্য।

নীতিটি কর্মের একটি অংশের ভবিষ্যদ্বাণী করে কিন্তু পর্যায়ক্রমে নতুন পর্যবেক্ষণ ব্যবহার করে পুনরায় পরিকল্পনা করে, প্রতিক্রিয়াশীলতার সাথে সাময়িক সামঞ্জস্যের ভারসাম্য বজায় রাখে।