概念
以专家示范轨迹 为训练数据，通过扩散模型的**「逐步加噪 - 条件去噪」**生成范式，学习并输出符合专家行为分布的连续动作序列的模仿学习方法
核心目标：从专家示范的（状态 - 动作）轨迹中，学习一个从环境状态到执行动作的映射策略，让智能体复现专家的行为
核心能力：通过「前向逐步给数据加高斯噪声，反向训练去噪网络还原数据」的流程，精准拟合高维、复杂、多模态的数据分布，训练稳定性远优于 GAN 等生成模型
工作流程
1. 训练阶段（学习专家行为分布）
-
数据预处理：收集专家示范轨迹，整理为「环境状态序列（含当前 / 历史状态）+ 对应未来多步动作序列」的配对数据，动作序列是扩散模型的生成目标。
-
前向加噪过程：对专家的真实动作序列，逐步添加高斯噪声，经过 T 步后，纯动作序列被完全破坏为随机高斯噪声。
条件去噪训练：训练一个条件去噪神经网络，输入为「加噪后的动作序列、当前加噪步数、环境状态条件」，训练目标是精准预测当前步添加的高斯噪声。通过迭代训练，模型学会在给定状态下，从噪声中还原出专家的动作分布。
2. 推理阶段（策略执行）
-
从随机高斯噪声出发，作为初始的动作序列；
-
基于当前实时的环境状态，通过训练好的去噪网络，执行 T 步逐步去噪，最终还原出符合专家行为的完整动作序列；
-
一般取序列的第一个动作在环境中执行，之后进入新的环境状态，重复上述去噪生成流程，实现闭环的连续决策。