長時域、稀疏獎勵任務中的行為規劃一直是機器人領域的核心挑戰。儘管近年來生成模型（如擴散模型）在計劃生成方面展現出潛力，但它們通常缺乏層次化分解的嚴謹框架，並且由於迭代去噪過程而難以滿足即時計算需求。針對這一痛點，來自北京大學的研究團隊提出了HDFlow（Hierarchical Diffusion-Flow Planning），這是一種創新的分層規劃框架，巧妙地融合了擴散模型和整流流模型的優勢，以克服單一正規化生成規劃器的侷限性。
HDFlow的核心思想是分層協同。高層採用擴散規劃器，在一個學習的潛在空間中生成一系列戰略性的子目標序列。擴散模型強大的探索能力使其能夠有效發現長時域任務中的關鍵中間狀態。這些子目標隨後傳遞給低層的整流流規劃器，後者利用常微分方程（ODE）進行平滑且密集的軌跡生成，從而在速度和效率上獲得顯著優勢。這種設計不僅保留了擴散模型在複雜空間中的探索效能，還透過整流流模型實現了快速、精確的軌跡規劃。
研究團隊在四項具有挑戰性的傢俱組裝任務上對HDFlow進行了全面評估，涵蓋了模擬環境和真實世界場景。實驗結果表明，HDFlow在成功率和效率方面均顯著超越了當前最先進的方法。此外，團隊還在兩個包含多種移動和操作任務的長時域基準測試上驗證了其方法的泛化能力，進一步證明了HDFlow的通用性和魯棒性。
HDFlow的出色表現使其被國際機器學習大會（ICML）2026接收為Spotlight論文，這一榮譽充分認可了其創新性和影響力。目前，該專案已開源，並提供了專案網站（https://hdflow-page.github.io/），相關程式碼和補充材料可供研究社群使用。這一工作為長時域機器人規劃提供了一套高效、可擴充套件的解決方案，有望推動智慧體在複雜任務中的自主決策能力邁上新臺階。