長期的で報酬が疎なタスクにおける行動計画の生成は、ロボット工学における重要な課題です。近年、拡散モデルなどの生成モデルが行動計画の生成で有望な結果を示していますが、階層的な分解の原則的な枠組みが欠けており、反復的なノイズ除去プロセスによりリアルタイム実行の計算負荷が大きいという問題があります。この問題に対処するため、北京大学の研究チームはHDFlow（Hierarchical Diffusion-Flow Planning）を提案しました。HDFlowは、拡散モデルと整流フローモデルの強みを最適に活用する新しい階層的プランニングフレームワークです。
フレームワークの中核は階層的連携です。高レベルの拡散プランナーは、学習された潜在空間で戦略的なサブゴールのシーケンスを生成します。拡散モデルの強力な探索能力により、長期的タスクにおける重要な中間状態を効果的に発見できます。これらのサブゴールは低レベルの整流フロープランナーに渡され、常微分方程式（ODE）に基づく軌道生成の高速性と効率性を利用して、滑らかで密な軌道を生成します。この設計により、拡散モデルの探索能力を維持しつつ、整流フローモデルによる高速で正確な軌道計画が可能になります。
研究チームは、シミュレーションと実世界の両方で4つの難易度の高い家具組立タスクにおいてHDFlowを評価しました。結果、成功率と効率の両面で既存の最先端手法を大幅に上回る性能を示しました。さらに、多様な移動操作タスクを含む2つの長期的ベンチマークでも手法の汎用性を実証し、HDFlowの汎用性と堅牢性が確認されました。
HDFlowの優れた性能により、本論文は国際機械学習会議（ICML）2026のSpotlight論文として採択されました。これはその革新性と影響力が高く評価された証です。現在、プロジェクトはオープンソースとして公開されており、プロジェクトウェブサイト（https://hdflow-page.github.io/）からコードや補足資料を入手できます。この研究は、長期的なロボット計画のための効率的でスケーラブルなソリューションを提供し、複雑なタスクにおけるエージェントの自律的意思決定能力の向上に貢献することが期待されます。