长时域规划是机器人领域的核心挑战之一。传统的规划方法通常需要将短时域片段拼接成完整的轨迹，但这种方法在处理复杂任务时往往面临困难。近年来，组合扩散规划（Compositional Diffusion Planning）通过评分组合的方式将重叠的短时域片段连接起来，生成长期轨迹，展现出巨大的潜力。然而，当局部规划分布呈现多模态时，现有的组合方法会遭受“模式平均”（mode-averaging）问题——即平均不兼容的局部模态会导致规划既不可行也不连贯，严重限制了规划质量。
针对这一难题，来自首尔大学等机构的研究人员（Kyowoon Lee, Yunhao Luo, Anh Tong, Jaesik Choi）提出了精炼组合扩散（Refining Compositional Diffusion, RCD）方法，这是一种无需额外训练的引导技术。RCD的核心创新在于利用预训练扩散模型的自重构误差（self-reconstruction error）作为组合规划对数密度的代理。直观上，自重构误差反映了当前规划在预训练模型下的“异常”程度，低误差意味着规划更符合模型学到的数据分布。同时，RCD引入重叠一致性项（overlap consistency term）来强制相邻片段在重叠区域的行为一致，确保全局连贯性。通过将这两项引导结合，RCD能够将采样过程引导至密度高且全局连贯的规划空间，有效缓解模式平均问题。
实验部分，研究团队在OGBench基准测试中的一系列挑战性长时域任务上验证了RCD的有效性，这些任务包括机器人运动（locomotion）、物体操作（object manipulation）以及基于像素的观测（pixel-based observations）。与现有的组合扩散规划基线相比，RCD在所有任务上均一致地取得了更优的性能，不仅提高了规划的成功率，还保证了生成轨迹的平滑性和可行性。这一工作不仅解决了组合扩散规划中的一个关键理论问题，也为实际机器人系统中的长期任务规划提供了实用的改进方向。研究者已于2026年5月4日将论文提交至arXiv，所属领域涵盖机器人学、人工智能和机器学习。