Daily Arxiv

전 세계에서 발간되는 인공지능 관련 논문을 정리하는 페이지 입니다.
본 페이지는 Google Gemini를 활용해 요약 정리하며, 비영리로 운영 됩니다.
논문에 대한 저작권은 저자 및 해당 기관에 있으며, 공유 시 출처만 명기하면 됩니다.

CHD: Coupled Hierarchical Diffusion for Long-Horizon Tasks

Created by
  • Haebom

저자

Ce Hao, Anxing Xiao, Zhiwei Xue, Harold Soh

개요

본 논문은 확산 기반 계획자가 단기 계획에서는 우수한 성능을 보이지만, 복잡한 장기 계획 환경에서는 종종 실패하는 문제를 다룹니다. 이는 고수준(HL) 하위 목표 선택과 저수준(LL) 궤적 생성 간의 느슨한 결합으로 인해 계획의 일관성이 저하되고 성능이 저하되기 때문이라고 분석합니다. 이를 해결하기 위해, 본 논문에서는 통합된 확산 과정 내에서 HL 하위 목표와 LL 궤적을 공동으로 모델링하는 결합 계층적 확산(CHD) 프레임워크를 제안합니다. 공유 분류기는 LL 피드백을 상위로 전달하여 샘플링이 진행되는 동안 하위 목표가 자체 수정되도록 합니다. 이러한 긴밀한 HL-LL 결합은 궤적 일관성을 향상시키고 확장 가능한 장기 계획을 가능하게 합니다. 미로 탐색, 테이블 매니퓰레이션, 가정 환경에 대한 실험 결과, CHD는 기존의 단일 및 계층적 확산 기법보다 우수한 성능을 보임을 확인했습니다.

시사점, 한계점

•
시사점:
◦
고수준 계획과 저수준 계획의 결합을 통해 장기 계획 문제에서 확산 기반 기법의 성능을 향상시킬 수 있음을 보여줍니다.
◦
공유 분류기를 통한 피드백 메커니즘이 계획의 일관성을 높이는 데 효과적임을 제시합니다.
◦
제안된 CHD 프레임워크는 다양한 환경에서 확장 가능하고 우수한 성능을 보입니다.
•
한계점:
◦
제안된 방법의 계산 비용 및 복잡성에 대한 자세한 분석이 부족합니다.
◦
다양한 환경에서의 일반화 성능에 대한 추가적인 연구가 필요합니다.
◦
특정 환경에 대한 최적의 하이퍼파라미터 설정 방법에 대한 논의가 부족합니다.
👍
Made with Slashpage