何が起きたか
2026年5月4日に arxiv.org に掲載された論文『Refining Compositional Diffusion for Reliable Long-Horizon Planning』において、拡散モデルによる長期的計画生成の信頼性を高める新手法 RCD (Refining Compositional Diffusion) が提案された。RCD は、局所的な計画分布が多峰的である場合に生じるモード平均化問題を緩和し、高密度でグローバルに一貫した計画を生成する。
詳細
RCD は、事前学習済み拡散モデルの自己再構成誤差を合成計画の対数密度の代理として利用し、セグメント境界での整合性を強制する重なり整合性項と組み合わせる。これにより、モード平均化を緩和し、高密度な計画にサンプリングを集中させる。実験は OGBench の長期的タスク（移動、物体操作、ピクセルベース観測）で行われ、既存手法を一貫して上回る性能を示した。
Key Facts
| RCD は学習不要のガイダンス手法であり、事前学習済み拡散モデルの自己再構成誤差を対数密度の代理として利用する。 | [1] |
| RCD は重なり整合性項を組み合わせ、セグメント境界での整合性を強制する。 | [1] |
| 実験は OGBench の長期的タスク（移動、物体操作、ピクセルベース観測）で行われた。 | [1] |
| RCD は既存の合成拡散計画手法を一貫して上回る性能を示した。 | [1] |
なぜ重要か
拡散モデルは画像生成で成功を収めたが、ロボットの長期的な計画生成への応用はまだ発展途上である。RCD は、モード平均化という根本的な問題に対処することで、拡散モデルによる計画生成の信頼性を高め、実世界のタスクへの適用を後押しする可能性がある。