- 针对**长时域稀疏奖励任务(long-horizon sparse reward tasks)** 的规划问题，当前生成模型虽取得进展，但缺乏**层次化分解(hierarchical decomposition)** 的原则性框架
- 现有方法依赖**迭代去噪(iterative denoising)** 过程，导致**实时执行(real-time execution)** 的计算负担过重
- 研究背景：扩散模型和整流流模型各自在规划中展现出优势，但单一范式存在局限性（扩散慢但探索强，整流快但探索弱）
- 提出**层次扩散-流规划框架(HDFlow)**，包含高层和低层两个生成模型
- 高层：**扩散规划器(diffusion planner)** 在**学习潜在空间(learned latent space)** 中生成**战略性子目标(strategic subgoals)** 序列，利用扩散的**强探索能力(exploratory capability)**
- 低层：**整流流规划器(rectified flow planner)** 基于子目标，通过**常微分方程(ODE)** 生成平滑密集轨迹，利用ODE的**快速推理速度(speed and efficiency)**
- 整体框架实现层次化分解，结合扩散的探索和整流流的生成效率
- **首创层次混合生成范式**：首次将**扩散(diffusion)** 与**整流流(rectified flow)** 结合到一个统一的层次规划框架中，互相弥补缺点
- **计算效率提升**：利用整流流的ODE单步求解特性，避免了扩散模型的多步迭代，实现实时规划
- **原则性层次分解**：高层在潜在空间生成子目标（语义抽象），低层生成密集轨迹（连续控制），形成自然的分层，而非简单的宏动作拆分
- **泛化性验证**：不仅在家具组装任务上超越SOTA，还在多种**移动操作(manipulation and locomotion)** 基准上展示跨任务泛化能力
- 为**长时域复杂任务规划** 提供了一种新颖的**层次生成式规划范式**，有效兼顾了探索质量和执行速度
- 在四项**家具组装(furniture assembly)** 任务（仿真与真实）中显著超越现有方法，达到**SOTA性能(state-of-the-art)**
- 开源项目网站和代码，促进后续研究复现和扩展，推动了生成式模型在机器人规划领域的应用