长时域、稀疏奖励任务中的行为规划一直是机器人领域的核心挑战。尽管近年来生成模型（如扩散模型）在计划生成方面展现出潜力，但它们通常缺乏层次化分解的严谨框架，并且由于迭代去噪过程而难以满足实时计算需求。针对这一痛点，来自北京大学的研究团队提出了HDFlow（Hierarchical Diffusion-Flow Planning），这是一种创新的分层规划框架，巧妙地融合了扩散模型和整流流模型的优势，以克服单一范式生成规划器的局限性。
HDFlow的核心思想是分层协同。高层采用扩散规划器，在一个学习的潜在空间中生成一系列战略性的子目标序列。扩散模型强大的探索能力使其能够有效发现长时域任务中的关键中间状态。这些子目标随后传递给低层的整流流规划器，后者利用常微分方程（ODE）进行平滑且密集的轨迹生成，从而在速度和效率上获得显著优势。这种设计不仅保留了扩散模型在复杂空间中的探索性能，还通过整流流模型实现了快速、精确的轨迹规划。
研究团队在四项具有挑战性的家具组装任务上对HDFlow进行了全面评估，涵盖了模拟环境和真实世界场景。实验结果表明，HDFlow在成功率和效率方面均显著超越了当前最先进的方法。此外，团队还在两个包含多种移动和操作任务的长时域基准测试上验证了其方法的泛化能力，进一步证明了HDFlow的通用性和鲁棒性。
HDFlow的出色表现使其被国际机器学习大会（ICML）2026接收为Spotlight论文，这一荣誉充分认可了其创新性和影响力。目前，该项目已开源，并提供了项目网站（https://hdflow-page.github.io/），相关代码和补充材料可供研究社区使用。这一工作为长时域机器人规划提供了一套高效、可扩展的解决方案，有望推动智能体在复杂任务中的自主决策能力迈上新台阶。