视觉伺服是机器人操作与导航中的一项基础技术，其核心在于利用视觉反馈实时引导相机或机械臂的运动。然而，传统的基于回归的视觉伺服方法长期面临一个棘手问题：由于单步映射对噪声高度敏感，且在分布偏移时误差会不断累积，导致轨迹出现明显抖动。这种抖动不仅影响任务精度，也限制了方法在真实复杂环境中的稳定性。
针对这一痛点，论文《DiffusionVS: A Generative Framework for Robust Visual Servoing Based on Diffusion Policy》提出了一种全新的基于扩散策略的伺服框架。该研究由 Hongkang Cui 等作者完成，于2026年6月17日提交至 arXiv，属于机器人学（cs.RO）方向，全文共8页、4幅图、7张表。作者指出，Diffusion Policy 与回归式方法形成鲜明对比：它通过预测动作序列来保持时间上的一致性，并借助隐式的数据增强机制提升鲁棒性，这为视觉伺服提供了新的思路。
DiffusionVS 的具体做法是：以观测到的标签角点的归一化图像坐标作为输入，通过条件去噪过程生成相机速度。换言之，模型不再直接从图像到速度做一次性映射，而是在扩散过程中逐步生成动作，从而缓解噪声敏感与误差累积的问题。这一设计体现了生成式方法在机器人控制中的潜力。
为了克服在静态数据集上训练所导致的泛化局限，作者采用了在线训练范式。该范式通过交互式经验收集，持续扩充训练数据的多样性，使模型能够在与环境的不断交互中自我改进。作者强调，这一策略显著提升了模型的性能与泛化能力，是该方法区别于传统离线训练的重要特点。
实验验证方面，论文进行了全面的仿真与真实世界实验。结果显示，该方法在仿真中取得了接近100%的成功率，在物理实验中达到93%的成功率，充分证明了其有效性。除具体流程之外，作者还进一步验证了扩散机制的通用性：实验表明，现有视觉伺服网络在与该扩散模块集成后，性能均能获得持续提升。这些结果说明，该策略具有广泛的适用性，可以增强除本文架构之外的多种视觉伺服系统。
总体而言，DiffusionVS 将扩散策略引入视觉伺服，以条件去噪生成相机速度，并结合在线经验收集提升泛化能力，在仿真与真实实验中均取得高水平成功率。其模块化的扩散组件还展现出跨架构的兼容性，为后续视觉伺服研究提供了可复用的思路。该论文的 DOI 为 10.48550/arXiv.2606.19397，相关元数据由 DataCite 提供（注册待完成）。