확산 기반 생성 모델은 특히 오프라인 데이터셋을 사용하는 강화 학습에서 장기 계획을 위한 강력한 도구로 부상하고 있지만, 성능은 훈련 데이터의 질과 다양성에 의해 근본적으로 제한됩니다. 이는 종종 훈련 분포 외부의 작업이나 더 긴 계획 수평선으로의 일반화를 제한합니다. 이러한 문제를 해결하기 위해, 본 논문에서는 짧은 궤적 세그먼트를 점진적으로 연결하여 다양하고 확장된 궤적을 체계적으로 생성하는 새로운 보상 없는 궤적 증강 방법인 State-Covering Trajectory Stitching (SCoTS)를 제안합니다. SCoTS는 먼저 환경의 기본적인 시간 구조를 포착하는 시간 거리 보존 잠재 표현을 학습한 다음, 방향 탐색과 참신성에 따라 반복적으로 궤적 세그먼트를 연결하여 이 잠재 공간을 효과적으로 덮고 확장합니다. 본 논문에서는 SCoTS가 연결과 장기 추론이 필요한 오프라인 목표 조건 벤치마크에서 확산 플래너의 성능과 일반화 능력을 크게 향상시킨다는 것을 보여줍니다. 또한, SCoTS에 의해 생성된 증강된 궤적은 다양한 환경에서 널리 사용되는 오프라인 목표 조건 강화 학습 알고리즘의 성능을 크게 향상시킵니다.
