본 논문은 강화학습에서 장기 계획을 위한 확산 기반 생성 모델의 성능 향상을 목표로 한다. 특히 오프라인 데이터셋을 사용하는 경우, 기존 모델들은 훈련 데이터의 질과 다양성에 의해 성능이 제한되는데, 이는 훈련 분포 밖의 작업이나 더 긴 계획 수평선으로의 일반화를 어렵게 만든다. 이를 해결하기 위해, 본 논문은 State-Covering Trajectory Stitching (SCoTS)라는 새로운 보상 없는 궤적 증강 방법을 제안한다. SCoTS는 시간적 거리를 보존하는 잠재 표현을 학습하여 환경의 기저 시간 구조를 포착하고, 방향 탐색과 참신성에 따라 반복적으로 궤적 세그먼트를 연결하여 잠재 공간을 효과적으로 덮고 확장한다. 실험 결과, SCoTS는 연결과 장기 추론이 필요한 오프라인 목표 조건 벤치마크에서 확산 플래너의 성능과 일반화 능력을 크게 향상시키는 것으로 나타났으며, 다양한 환경에서 널리 사용되는 오프라인 목표 조건 강화학습 알고리즘의 성능도 향상시킨다.
