RCD：免训练组合扩散规划引导方法

2026年10月15日，arXiv Artificial Intelligence 报道了一项关于组合扩散规划的研究。针对组合扩散规划中局部多模态导致的模式平均问题，Kyowoon Lee 等作者提出免训练引导方法 RCD（Refining Compositional Diffusion）。该方法利用预训练扩散模型的自重建误差作为组合计划对数密度的代理，并结合重叠一致性项约束分段边界，从而引导组合采样趋向高密度、全局连贯的计划。在 OGBench 的长时程任务（运动、物体操作、像素观测）上，RCD 持续优于现有方法。该工作已被 NeurIPS 2026 接收。目前报道未提及该方法在 OGBench 之外任务上的表现，也未说明其计算开销或对预训练模型的具体要求。

AI 根据报道生成 · 1 小时前更新

还没有足够的连续观测数据，暂不绘制趋势。