球面傅里叶空间中的 SE(3) 等变扩散策略

基于摘要分析。研究针对机器人 Diffusion Policies 从人类示范学习闭环操作时，难以泛化到三维物体新布局的问题，提出 Spherical Diffusion Policy（SDP）。核心贡献是通过球面傅里叶空间表示与等变去噪，使场景发生三维旋转和平移时，生成的动作轨迹能够相应变换。 机制上，SDP 将状态、动作及去噪过程嵌入球面傅里叶空间，使用 spherical FiLM layers，让场景嵌入以等变方式调制动作去噪；同时提出 spherical denoising temporal U-net，作者称其兼顾时空等变性与计算效率。方法的关键不只是增加场景变换样本，而是将 SE(3) 等变性纳入策略结构。具体表示方式、平移处理、训练目标、时序等变性的定义及效率测量尚未验证。 作者报告，在 20 项仿真任务与 5 项实体机器人任务上，SDP 相比强基线有较大性能提升，评估涵盖单臂与双臂机器人。摘要未给出指标数值、基线名称、示范规模、训练与测试场景划分，因此不能量化增益或判断不同任务间的可比性。实验协议、消融及统计信息尚未验证。摘要提供了代码地址，但实现完整性与复现条件尚未核对。 平台推测（待验证）：其几何等变表示可能启发利用电极三维坐标的 EEG 空间编码，但原研究对象是机器人操作，不是 BCI。迁移假设依赖可靠的电极坐标及合理的变换定义，可考察球面表示与等变条件调制，动作去噪模块则需按神经信号任务改造。头皮信号并不天然满足任意 SE(3) 变换下的语义等变性，低信噪比、通道缺失、跨被试解剖差异及小数据可能使约束失效。一个可证伪的小实验是固定 EEG 信号与任务标签，仅改变电极坐标的整体参考系，比较等变编码与普通坐标编码的预测稳定性；这只能检验坐标鲁棒性，不能证明跨被试有效。已有 EEG 相关工作尚未检索确认。