視覚サーボはロボットマニピュレーションとナビゲーションにおける基礎技術である。回帰ベースの視覚サーボは、ノイズに敏感な単一ステップのマッピングと分布シフト時の誤差蓄積により、軌道のジッターが頻繁に発生する。これに対し、拡散ポリシー（Diffusion Policy）は行動系列を予測することで時間的一貫性を維持し、暗黙的なデータ拡張によりロバスト性を向上させる。
本論文では、拡散ポリシーに基づく新しい視覚サーボ手法DiffusionVSを提案する。この手法は、観測されたタグ角点の正規化画像座標を入力とし、条件付きデノイジングを通じてカメラ速度を生成する。従来の単一ステップ回帰とは異なり、拡散モデルは多ステップの行動系列を生成できるため、軌道を平滑化しジッターを低減する。
静的データセットで訓練されたモデルの汎化限界を克服するため、DiffusionVSはオンライン学習パラダイムを採用する。このパラダイムでは、対話的な経験収集を通じて訓練データの多様性を継続的に拡大する。具体的には、ロボットがタスクを実行する過程で新しい視覚観測と対応する行動を収集し、それらのデータを用いてモデルを更新する。この戦略はモデルの性能と汎化能力を大幅に向上させ、さまざまなシーンや初期条件に適応できるようにする。
著者らは包括的なシミュレーションと実世界実験を実施し、手法の有効性を検証した。シミュレーション環境ではDiffusionVSはほぼ100%の成功率を達成し、物理実験でも93%の成功率を記録した。これらの結果は、さまざまな条件下でのロバスト性と信頼性を証明している。
さらに、特定のパイプラインにとどまらず、拡散メカニズムの汎用性も検証した。実験により、既存の視覚サーボネットワークに本拡散モジュールを統合すると、性能が一貫して向上することが示された。これは、提案戦略が広範な適用性を持ち、本論文で提示された特定のアーキテクチャだけでなく、さまざまな視覚サーボシステムを強化できることを示唆している。
本論文はHongkang Cuiらによって執筆され、8ページ、4図、7表を含み、2026年6月17日に提出された。ロボティクス（cs.RO）分野に属する。