본 논문은 시각-운동 정책 학습에서 시각적 지각과 행동 예측 간의 상호작용을 강화하기 위해 계층적 구조를 명시적으로 통합한 새로운 프레임워크인 삼중 계층 확산 정책(Triply-Hierarchical Diffusion Policy, H³DP)을 제안합니다. H³DP는 깊이 정보 기반 RGB-D 관찰 정리, 다양한 수준의 세분성을 가진 의미적 특징을 인코딩하는 다중 스케일 시각 표현, 그리고 거친 동작에서 미세한 동작 생성을 해당 시각적 특징과 정렬하는 계층적 조건부 확산 과정의 세 가지 계층적 구조를 포함합니다. 44개의 시뮬레이션 작업에서 기준 모델보다 평균 27.5% 향상된 성능을 보였고, 4개의 어려운 양손 조작 실제 작업에서도 우수한 성능을 달성했습니다.
