로봇 분야에서 확산 모델은 시연에서 다중 모드 궤적을 캡처하여 모방 학습에 혁신적인 접근 방식을 제공합니다. 그러나 충돌 회피와 같은 어려운 과제의 경우, 최적의 성능을 위해서는 대규모 데이터셋이 필요하며, 이는 비용이 많이 듭니다. 본 논문에서는 이러한 문제를 해결하기 위해, 문맥 인식 사전 및 유도를 통해 궤적 분포 모드를 확장하는 "Proximal mode Expansion (CAPE)" 프레임워크를 제안합니다. CAPE는 초기 궤적 계획을 생성하고 짧은 접두사 궤적을 실행한 후, 나머지 궤적 세그먼트를 중간 노이즈 수준으로 섭동하여 궤적 사전을 형성합니다. 반복적인 유도 정제 절차를 통해 부드럽고 충돌이 적은 궤적을 찾을 수 있도록 모드 지원을 확장합니다. 충돌 회피의 경우, CAPE는 충돌 인식 문맥을 사용하여 궤적 분포 모드를 확장하여, 이전에 보지 못한 환경에서도 충돌 없는 궤적을 샘플링할 수 있도록 하면서 목표 일관성을 유지합니다. 시뮬레이션 및 실제 환경에서 다양한 조작 작업에 대해 CAPE를 평가한 결과, 기존 SOTA 방법보다 최대 26% 및 80% 높은 성공률을 보여주며, 보이지 않는 환경에 대한 더 나은 일반화 능력을 입증했습니다.
