في عالم الذكاء الاصطناعي، تُعد الروبوتات أحد التطبيقات الأكثر إثارة للتقنية الحديثة. لكن، كيف يمكن تحسين أدائها في المهام المعقدة التي تتطلب تنسيقاً دقيقاً بين الأذرع متعددة؟ هنا تأتي سياسة الانتشار الكامنة (Latent Diffusion Policy - LDP) كحل مبتكر.

تعمل السياسات المبنية على الانتشار (Diffusion) بشكل مباشر في فضاءات الأفعال الخام، مما يؤدي إلى دمج فهم المشهد مع توليد المسارات ضمن عملية إزالة الضوضاء الواحدة. المشكلة تكمن في أن مجال السرعة الناتج يجب أن يحتوي بشكل متزامن على معلومات المشهد ويولد مسارات دقيقة، مما يزيد من تعقيد التعلم ويحد من الأداء في المهام التي تتطلب تنسيقًا زمنيًا دقيقًا.

لذا، تم تقديم سياسة الانتشار الكامنة كإطار عمل من مرحلتين يتضمن مطابقة التدفق في فضاء كامن مُشكل بعناية. من خلال دمج فهم المشهد في معدل تشفير مُشروط (CVAE)، تركز LDP توزيع كل ملاحظة، مما يسمح بنموذج التدفق بالتحرك داخل توزيع مُركّز مسبقاً مع حقل سرعة أكثر سلاسة، مما يسهل من عملية التعلم، حتى مع وجود عروض محدودة.

كما أن سياسة الانتشار الكامنة تلتقط التبعية الزمنية بين الرموز الكامنة من خلال تدريبها مع قوى انتشار خاصة بكل رمز، وتستخدم طرق السلم في الاستدلال لحل عدم التوافق في التوزيع الناتج.

تم اقتراح أيضاً مؤشرات إعادة البناء (FID) الخاصة بالتحليل كطريقة خفيفة للتنبؤ بنجاح المهام المستقبلية من خلال إحصائيات الفضاء الكامن. وبفضل هذا التحسين، سجلت LDP أداءً متفوقاً على الأنظمة التقليدية مثل DP3، وتكاملت بنجاح في التطبيقات الروبوتية في العالم الحقيقي.