長時域規劃是機器人領域的核心挑戰之一。傳統的規劃方法通常需要將短時域片段拼接成完整的軌跡，但這種方法在處理複雜任務時往往面臨困難。近年來，組合擴散規劃（Compositional Diffusion Planning）透過評分組合的方式將重疊的短時域片段連線起來，生成長期軌跡，展現出巨大的潛力。然而，當區域性規劃分佈呈現多模態時，現有的組合方法會遭受“模式平均”（mode-averaging）問題——即平均不相容的區域性模態會導致規劃既不可行也不連貫，嚴重限制了規劃質量。
針對這一難題，來自首爾大學等機構的研究人員（Kyowoon Lee, Yunhao Luo, Anh Tong, Jaesik Choi）提出了精煉組合擴散（Refining Compositional Diffusion, RCD）方法，這是一種無需額外訓練的引導技術。RCD的核心創新在於利用預訓練擴散模型的自重構誤差（self-reconstruction error）作為組合規劃對數密度的代理。直觀上，自重構誤差反映了當前規劃在預訓練模型下的“異常”程度，低誤差意味著規劃更符合模型學到的資料分佈。同時，RCD引入重疊一致性項（overlap consistency term）來強制相鄰片段在重疊區域的行為一致，確保全域性連貫性。透過將這兩項引導結合，RCD能夠將取樣過程引導至密度高且全域性連貫的規劃空間，有效緩解模式平均問題。
實驗部分，研究團隊在OGBench基準測試中的一系列挑戰性長時域任務上驗證了RCD的有效性，這些任務包括機器人運動（locomotion）、物體操作（object manipulation）以及基於畫素的觀測（pixel-based observations）。與現有的組合擴散規劃基線相比，RCD在所有任務上均一致地取得了更優的效能，不僅提高了規劃的成功率，還保證了生成軌跡的平滑性和可行性。這一工作不僅解決了組合擴散規劃中的一個關鍵理論問題，也為實際機器人系統中的長期任務規劃提供了實用的改進方向。研究者已於2026年5月4日將論文提交至arXiv，所屬領域涵蓋機器人學、人工智慧和機器學習。