チャンク選択と到達可能性指標による合成拡散プランニング

- 長期的な diffusion planning において、短い trajectory（chunk）をサンプリングして結合する Compositional diffusion planner の新手法 Selective Compositional Diffuser (SCD)。 - 重複する chunk の平均化による mode-averaging 問題と、非実行可能な plan の混入を、reachability の測定によって扱う。 - reachability classifier を自己教師ありで学習し、chunk 間の到達可能性を辺コストとする graph を構築・探索して経路を選ぶ。 - 最後に bridging trajectory を生成し、滑らかな遷移のため composed trajectory を refine する。

- 従来の compositional diffusion planner は chunk の平均化で mode-averaging 問題を生じ、不連続な trajectory になりうる。 - 既存研究もこの問題に対処しているが、計画の無視できない割合が依然として infeasible であると指摘。 - SCD は reachability を明示的に測ることで、非整合な mode の合成と mode-averaging 問題を実用的に低減する。 - OGBench stitching タスクで比較 baseline より成功率を改善し、HumanoidMaze-Large と Giant で state-of-the-art を達成。

- reachability classifier を自己教師あり学習で構築。offline data と生成 chunk を jointly に用い、分布ずれに対処しつつ生成データ由来の bias を低減。 - 連続する chunk が reachable かどうかを辺コストに持つ graph を構築し、graph を探索して有効かつ効率的な経路を発見。 - bridging trajectory を生成し、composed trajectory を refine して滑らかな遷移を実現。 - キーワード: chunk selection、reachability measure、graph traversal、bridging trajectory、trajectory refinement。

- OGBench stitching タスクで評価。 - 研究対象の baseline と比較し、incompatible mode compositions と mode-averaging 問題を実用的に低減。 - タスク全体で成功率を改善し、HumanoidMaze-Large と Giant タスクで state-of-the-art の結果を達成。

- 要旨からは不明（reachability classifier の誤りや graph 探索コスト、refinement の計算負荷などに関する議論は要旨に明記なし）。 - 明示されているのは、非整合な mode 合成と mode-averaging の低減、および成功率改善という主張。

- 要旨で比較対象として言及される compositional diffusion planner 関連研究（chunk の平均化・mode-averaging 問題に対処する既存手法）。 - 評価に用いられた OGBench stitching タスクおよびその benchmark 研究。 - 関連手法として diffusion planning、Diffuser、Diffusion Policy などの定番研究。