Diffusion Model 在 AIGC 领域已经取得了卓越的成就，那么 Diffusion Model 能否用来为 Robotics Learning 服务呢？答案是肯定的，其精髓在于将 long-term planning 问题转化为 Trajectory Generation 问题，将控制问题转化为 AIGC 的范式。

来自香港大学的穆尧等人，在 ICML 2023 的最新工作上，利用 AIGC 强大的生成能力赋能 offline RL 和 Robotics Learning。Offline RL 最大的瓶颈在于专家数据的获得，而 AdaptDiffuser 通过 Reward Guidance 的引导可以生成 diverse tasks 的 synthetic expert data， 经过 Discriminator 的筛选，高质量的数据被用来微调 diffusion model，从而使 diffusion model 能够通过不断的自我进化来适应更多的任务和更多的场景。

基于上述机制，Diffusion model for planning 的 AIGC 模式可以像 Reinforment Learning 一样具备自我进化的能力，而不需要任何初始数据集以外的其他与环境交互的数据，从而很大程度上促进了 AIGC 在Robotics Learning 的应用。该成果已被评选为 Oral Presentation。

6月27日晚7点，「AI新青年讲座」第215讲邀请到 AdaptDiffuser 一作、香港大学在读博士穆尧参与，主讲《机器人智能控制的 AIGC 范式——自进化扩散模型规划器》。