CHD: Coupled Hierarchical Diffusion for Long-Horizon Tasks

要約

拡散ベースのプランナーは、短距離タスクで強力なパフォーマンスを示していますが、しばしば複雑で長期の設定で失敗します。
高レベル（HL）サブゴール選択と低レベル（LL）軌道の生成との間の結合を緩和できなかったことを追跡します。これは、一貫性のない計画とパフォーマンスの低下につながります。
統合拡散プロセス内でHLサブゴールとLL軌道を共同でモデル化するフレームワークである結合階層拡散（CHD）を提案します。
共有分類器は、サンプリングが進行中に自己修正されるように、上流のLLフィードバックを渡します。
このタイトなHL-LLカップリングは、軌道の一貫性を改善し、スケーラブルな長期拡散計画を可能にします。
迷路のナビゲーション、卓上操作、および家庭環境全体の実験では、CHDが一貫してフラットと階層の両方の拡散ベースラインよりも優れていることが示されています。
当社のウェブサイトはhttps：//sites.google.com/view/chd2025/homeです

要約(オリジナル)

Diffusion-based planners have shown strong performance in short-horizon tasks but often fail in complex, long-horizon settings. We trace the failure to loose coupling between high-level (HL) sub-goal selection and low-level (LL) trajectory generation, which leads to incoherent plans and degraded performance. We propose Coupled Hierarchical Diffusion (CHD), a framework that models HL sub-goals and LL trajectories jointly within a unified diffusion process. A shared classifier passes LL feedback upstream so that sub-goals self-correct while sampling proceeds. This tight HL-LL coupling improves trajectory coherence and enables scalable long-horizon diffusion planning. Experiments across maze navigation, tabletop manipulation, and household environments show that CHD consistently outperforms both flat and hierarchical diffusion baselines. Our website is: https://sites.google.com/view/chd2025/home

arxiv情報

提供元, 利用サービス

arxiv.jp, Google