arXiv cs.AI· Kyowoon Lee, Yunhao Luo, Anh Tong, Jaesik Choi·· 3 天前AI 评分24
RCD：用免训练引导改进组合式扩散规划，缓解模式平均问题
Refining Compositional Diffusion for Reliable Long-Horizon Planning
AI 导读
针对组合式扩散规划在局部计划多模态时出现的模式平均问题，研究者提出免训练引导方法 RCD，用预训练扩散模型的自重建误差作为组合计划对数密度的代理，并结合重叠一致性项约束分段边界。在 OGBench 的移动、物体操作和像素观测等长时程任务上，RCD 持续优于现有方法，该工作已被 NeurIPS 2026 接收。
正文 · AI 翻译
摘要：组合式扩散规划通过分数组合将重叠的短时域片段拼接在一起，从而生成长时域轨迹。然而，当局部规划分布呈现多峰时，现有的组合式方法会遭受模式平均问题，即对不兼容的局部模式进行平均会导致规划既在局部不可行，也在全局不一致。我们提出精炼组合扩散（RCD），一种无需训练的引导方法，可将组合式采样引导至高密度、全局一致的规划。RCD 利用预训练扩散模型的自重建误差作为组合规划对数密度的代理，并结合一个重叠一致性项来强制片段边界处的一致性。我们表明，组合后的引导将采样集中于高密度规划上，从而缓解模式平均问题。在 OGBench 中具有挑战性的长时域任务（包括运动、物体操作和基于像素的观测）上的实验表明，RCD 始终优于现有方法。
| 评论： | 已被 NeurIPS 2026 接收 |
| 主题： | 机器人学（cs.RO）；人工智能（cs.AI）；机器学习（cs.LG） |
| 引用为： | arXiv:2605.03075 [cs.RO] |
| （或 arXiv:2605.03075v2 [cs.RO] 用于此版本） | |
| https://doi.org/10.48550/arXiv.2605.03075 由 DataCite 颁发的 arXiv DOI |
提交历史
来自：Kyowoon Lee [查看电子邮件]
[v1]
2026年5月4日星期一 18:44:19 UTC（10,405 KB）
[v2]
2026年10月10日星期六 12:47:25 UTC（10,409 KB）
来源：arXiv cs.AI · arxiv.org