将Policy改为Diffusion Policy，重新给出完整的mermaid图可以。这里我建议采用最干净、最接近原始Diffusion Policy（扩散策略）的替换方式：保留 ALOHA / ACT 的原始数据定义、双臂 14 维 position action 和 action chunk；把CVAE + ACT Transformer Policy整体删除，换成视觉条件编码器（Visual Observation Encoder）+ Conditional U-Net 1D Diffusion Policy。因此不再保留zzz、μ\muμ、log⁡σ2\log\sigma^2logσ2、重参数化、Action Query、ACT Transformer Decoder、L1 Loss 和 KL Loss。标准 Diffusion Policy 直接建模条件动作分布p(At∣Ot)p(A_t\mid O_t)p(At​∣Ot​)，训练时对 GT action sequence 加噪并预测噪声；论文也明确推荐新任务优先尝试 CNN-based Diffusion Policy。turn856806view3需要先强调：下面是ALOHA/ACT 数据接口 + Diffusion Policy的改造架构，不是 ACT 原论文架构。完整训练阶段 Mermaid阶段 S7：扩散损失与优化目标（Diffusion Training Objective）阶段 S6：损失输入（Loss Inputs）阶段 S5：条件动作去噪网络（Conditional Action Denoising Network）阶段 S4：扩散条件构造（Diffusion Conditioning）阶段 S3：动作前向扩散（Forward Action Diffusion）阶段 S2：多模态观测编码（Multi-modal Observation Encoding）阶段 S1：数据预处理（Data Preprocessing）阶段 S0：原始训练数据（Raw Training Data）本体感知编码（Proprioceptive Encoding）视觉观测编码（Visual Observation Encoding）sConditionPredictionTargetMaskGradientGradientGradientGradientGradient数据模块：多视角 RGB 观测序列（Multi-view RGB Observations I_t）Shape: [B, T_o, 4, 480, 640, 3]数据模块：双臂关节状态序列（Joint State Observations q_t）Shape: [B, T_o, 14]数据模块：专家目标动作序列（Expert Target Actions）Shape: [B, T, 14]数据模块：动作填充掩码（Action Padding Mask）Shape: [B, T]操作模块：图像预处理（Image Preprocessing）参数：Channel Last→First + Normalization数据模块：标准化多视角图像（Normalized Multi-view Images）Shape: [B, T_o, 4, 3, 480, 640]