ロボット操作と移動制御における基本的な技術であるビジュアルサーボイングは、カメラからの視覚情報を用いてロボットの動きを制御する分野です。従来の回帰ベースのアプローチでは、ノイズに敏感な単一ステップのマッピングにより軌跡がちらつき、データ分布の変化に伴うエラーが蓄積するという課題がありました。これに対して、Diffusion Policyは一連のアクションを予測することで時間的一貫性を保ち、暗黙的なデータ拡張を通じてロバスト性を向上させます。 本論文で提案されるDiffusionVSは、ビジュアルサーボイングに拡散モデルを適用した新しい手法です。観測されたタグコーナーの正規化された画像座標を入力として、条件付きノイズ除去によってカメラ速度を生成します。静的なデータセットで訓練されたモデルの汎化性能の限界を克服するため、オンライン訓練パラダイムを採用し、インタラクティブな経験収集を通じて継続的に訓練データの多様性を拡張しています。 この戦略により、モデルの性能と汎化能力が大幅に向上しました。包括的なシミュレーション実験と実世界での検証実験により、シミュレーション環境でほぼ100%、物理環境で93%の成功率を達成しました。さらに重要な点として、研究者らは拡散メカニズムの汎用性を検証しており、既存のビジュアルサーボイングネットワークが提案された拡散ベースのモジュールと統合されると、一貫して性能が向上することを実証しました。これらの結果は、提案戦略が広範な適用可能性を持ち、提示された特定のアーキテクチャを超えた様々なビジュアルサーボイングシステムを強化できることを示唆しています。