📃Comp-Diffusior 리뷰

benchmark

tactile

Generative Trajectory Stitching through Diffusion Composition

Published

November 29, 2025

🔍 Ping. 🔔 Ring. ⛏️ Dig. A tiered review series: quick look, key ideas, deep dive.

🤖 이 논문은 로봇 장기 계획(long-horizon planning)에서 기존 확산 모델의 한계를 극복하기 위해, 짧은 궤적 조각들을 조합하여 새로운 작업을 해결하는 생성적 궤적 스티칭(trajectory stitching) 방법인 CompDiffuser를 제안합니다.
💡 CompDiffuser는 궤적 분포를 겹치는 조각들로 나누고 단일 양방향 확산 모델을 통해 조건부 관계를 학습함으로써, 생성 과정에서 세그먼트 간 정보 전파를 가능하게 하여 물리적으로 일관된 연결을 보장합니다.
🚀 다양한 난이도의 벤치마크 실험에서 CompDiffuser는 기존 방법들보다 우수한 성능을 보였으며, 짧은 훈련 데이터만으로도 장기 계획 작업을 효과적으로 해결하고 궤적의 실현 가능성 및 목표 도달 행동을 유지함을 입증했습니다.

🔍 Ping Review

🔍 Ping — A light tap on the surface. Get the gist in seconds.

로봇 의사 결정 분야에서 장기적인 계획을 위한 효과적인 궤적 스티칭(trajectory stitching)은 중요한 과제입니다. 확산 모델(diffusion models)은 계획 수립에 유망함을 보였지만, 학습 데이터에서 본 것과 유사한 작업으로 해결 능력이 제한됩니다. 본 논문은 CompDiffuser라는 새로운 생성적 접근 방식을 제안합니다. 이 방식은 이전에 학습된 짧은 궤적 조각(trajectory chunks)들을 구성적으로 이어 붙여 새로운 작업을 해결할 수 있습니다.

핵심 아이디어는 궤적 분포를 겹치는 조각들로 세분화하고, 단일 양방향 확산 모델(bidirectional diffusion model)을 통해 이 조각들의 조건부 관계를 학습함으로써 궤적 분포를 모델링하는 것입니다. 이를 통해 생성 과정에서 세그먼트 간에 정보가 전파되어 물리적으로 일관된 연결을 보장합니다. 본 논문은 다양한 환경 크기, 에이전트 상태 차원, 궤적 유형, 학습 데이터 품질 등 다양한 난이도의 벤치마크 태스크에서 실험을 수행했으며, CompDiffuser가 기존 방법론들을 크게 능가함을 보여줍니다.

1. 서론 및 관련 연구

기존 생성 모델 기반 로봇 계획 방법론(예: Diffuser, Decision Diffuser)은 전체 계획 시퀀스에 대한 결합 분포를 모델링하여 계산 비용을 상각하지만, 모든 가능한 시작-목표 상태 조합을 포함하는 장기 계획 데이터를 수집해야 하므로 샘플 효율성이 매우 낮습니다. 궤적 스티칭은 보상 높은 궤적 조각들을 연결하여 새로운 정책을 생성하는 방법으로 구성적 일반화(compositional generalization)를 가능하게 합니다. 하지만 동적 일관성(dynamic consistency)과 실현 가능성(feasibility)을 유지하며 궤적을 결합할 적절한 스티칭 지점을 찾는 것이 핵심 과제입니다. CompDiffuser는 장기 훈련 데이터 없이도 물리적으로 실현 가능하고 목표 지향적인 계획을 생성할 수 있도록 합니다.

관련 연구로, 확산 모델은 모션 계획, 작업 계획, 자율 주행 등 다양한 분야에 적용되었지만, 대부분 훈련 데이터와 유사한 계획 범위에 국한됩니다. 궤적 스티칭 분야에서는 데이터 증강, 모델 기반 접근 방식, 시퀀스 모델링 등 다양한 방법이 탐색되었으나, CompDiffuser는 생성 모델링을 기반으로 짧은 궤적 세그먼트만으로 목표 조건부 궤적 스티칭을 직접 수행합니다. 구성적 생성 모델은 시각 콘텐츠, 인간 동작 생성 등 여러 분야에서 연구되었지만, 대부분 여러 조건의 결합 샘플링에 초점을 맞추거나 미리 정의된 스켈레톤에 의존합니다. CompDiffuser는 이러한 제약 없이 훨씬 긴 시퀀스와 새로운 작업을 생성할 수 있도록 확장됩니다.

2. 구성적 궤적 생성을 통한 계획 수립 (Planning through Compositional Trajectory Generation)

2.1. 구성적 궤적 모델링 (Compositional Trajectory Modeling)

계획 문제는 시작 상태 q_s와 목표 상태 q_g가 주어졌을 때, 확률 분포 p_\theta(\tau|q_s, q_g)로부터 궤적 \tau = [s_{1:T}, a_{1:T}]를 샘플링하는 것으로 정의됩니다. 기존 방법들은 p(\tau)를 직접 학습하여 훈련 데이터의 시작-목표 상태와 유사한 계획만 생성할 수 있습니다. CompDiffuser는 궤적 \tau를 K개의 겹치는 하위 조각 \tau_k로 세분화하여 구성적으로 모델링합니다. 궤적 분포는 다음과 같이 표현됩니다: p_\theta(\tau|q_s, q_g) \propto p_1(\tau_1|q_s, \tau_2) \prod_{k=2}^{K-1} p_k(\tau_k|\tau_{k-1}, \tau_{k+1}) p_K(\tau_K|\tau_{K-1}, q_g) 여기서 각 궤적 조각 \tau_k는 인접한 조각 \tau_{k-1}과 \tau_{k+1}에만 의존합니다. 이를 통해 중간 궤적 조각 \tau_k가 학습된 적이 있다면, 이전에 본 궤적과 상당히 다른 계획도 생성할 수 있습니다.

2.2. 구성적 궤적 모델 훈련 (Training Compositional Trajectory Models)

구성된 확률 분포를 나타내기 위해 각 조건부 확률 분포를 개별적으로 학습하는 것은 샘플링 과정이 느리고 일관된 계획을 구성하기 어렵습니다. CompDiffuser는 확산 모델의 점진적인 노이즈 제거(denoising) 과정을 활용하여 이 문제를 해결합니다. 핵심은 궤적 세그먼트들이 확산 과정에서 서로의 생성을 유도하도록 하는 것입니다. 한 세그먼트가 노이즈 제거를 통해 형태를 갖추면, 이는 호환되는 구성으로 이웃 세그먼트의 형태를 잡아주는 데 도움을 줍니다.

이를 위해 이웃 조각의 노이즈 샘플에 조건부로 의존하여 궤적 조각을 생성하는 확산 모델을 사용합니다. 훈련 데이터셋 \mathcal{D}의 궤적 \tau가 주어졌을 때, 노이즈 제거 네트워크 \epsilon_\theta를 훈련하여 다음 목적 함수를 통해 궤적 분포 p_\theta(\tau_k|\tau_{k-1}, \tau_{k+1})를 학습합니다: \mathcal{L}_{nbr} = \mathbb{E}_{\tau \in \mathcal{D}, t, k} \left[ \left\| \epsilon - \epsilon_\theta(\tau_k^t, t | \tau_{k-1}^t, \tau_{k+1}^t) \right\|^2 \right] 여기서 k는 궤적 세그먼트를 식별하고, t는 노이즈 레벨이며, \tau_k^t는 노이즈 레벨 t로 오염된 세그먼트 k를 나타냅니다. 각 세그먼트의 노이즈 제거 시 네트워크는 동일한 노이즈 레벨의 이웃 세그먼트 \tau_{k-1}^t, \tau_{k+1}^t의 노이즈 버전에 조건부로 의존합니다. 이는 각 세그먼트가 이웃의 노이즈 제거 과정에 영향을 미쳐 최종 구성이 동적으로 호환되도록 보장합니다. 실제로는 연속적인 궤적 간의 작은 겹치는 영역에만 조건부로 의존하여 효율성을 높입니다.

또한, 동일한 노이즈 제거 네트워크 \epsilon_\theta를 훈련하여 p_\theta(\tau_1|q_s, \tau_2) 및 p_\theta(\tau_K|\tau_{K-1}, q_g) 분포를 나타내도록 합니다. 이는 다음 목적 함수에 해당합니다: \mathcal{L}_{start} = \mathbb{E}_{\tau \in \mathcal{D}, t, k} \left[ \left\| \epsilon - \epsilon_\theta(\tau_1^t, t | q_s, \tau_2^t) \right\|^2 \right] 목표 상태 q_g에 대한 조건부도 유사합니다.

2.3. 구성적 궤적 계획 (Compositional Trajectory Planning)

제안된 프레임워크는 장기 계획 생성을 위한 유연한 샘플링 전략을 가능하게 합니다. 기본 샘플링 과정은 각 궤적 조각 \tau_k를 가우시안 노이즈로 초기화한 다음, 반복적인 노이즈 제거를 통해 각 조각을 이웃 조각에 조건부로 의존하여 노이즈를 제거합니다. 두 가지 샘플링 방식이 제시됩니다:

병렬 샘플링 (Parallel Sampling): 각 노이즈 제거 단계에서 이전 단계의 노이즈가 있는 인접 궤적 조각 값에 조건부로 의존하여 노이즈를 제거합니다. 업데이트 규칙은 다음과 같습니다: \tau_k^{t-1} = \alpha_t(\tau_k^t - \epsilon_\theta(\tau_k^t|\tau_{k-1}^t, \tau_{k+1}^t) + \beta_t \xi), \quad \xi \sim \mathcal{N}(0, 1) 이 방식은 각 궤적 조각의 노이즈 제거를 병렬로 실행할 수 있지만, 각 단계에서의 정보 전파는 제한적입니다.
자기회귀 샘플링 (Autoregressive Sampling): 인접 궤적 조각의 값을 더 잘 연결하기 위해, 각 노이즈 제거 단계에서 각 궤적 조각을 자기회귀적으로 노이즈 제거합니다. 특히, \tau_1부터 시작하여 순차적으로 \tau_K까지 각 궤적을 노이즈 제거하며, \tau_k의 노이즈 제거는 현재 노이즈 레벨 t-1에서 이전에 디코딩된 조각 \tau_{k-1}^{t-1}과 이전 노이즈 레벨 t에서 미래 조각 \tau_{k+1}^t에 조건부로 의존합니다: \tau_k^{t-1} = \alpha_t(\tau_k^t - \epsilon_\theta(\tau_k^t|\tau_{k-1}^{t-1}, \tau_{k+1}^t) + \beta_t \xi), \quad \xi \sim \mathcal{N}(0, 1) 이 순차적인 생성 과정은 각 조각이 이전 조각의 덜 노이즈가 있는 버전에 조건부로 의존하므로 조각들 간의 더 강력한 조정을 가능하게 합니다. 하지만 병렬 샘플링보다 계산 효율성은 낮습니다. 실험 결과, 자기회귀 샘플링이 더 나은 성능을 보였습니다. 최종적으로 생성된 조각 \tau_{1:K}는 겹치는 영역에 지수 궤적 혼합(exponential trajectory blending)을 적용하여 하나의 최종 궤적 \tau_{comp}로 병합됩니다.

3. 실험 (Experiments)

CompDiffuser의 성능은 PointMaze, AntMaze, HumanoidMaze, AntSoccer 등 다양한 난이도의 벤치마크 태스크에서 평가되었습니다. 실험은 다양한 환경 크기, 에이전트 상태 차원, 궤적 유형, 훈련 데이터 품질을 다룹니다.

PointMaze: Ghugare et al. [21] 및 OGBench [51]의 데이터셋에서 테스트되었습니다. CompDiffuser는 모든 미로 크기에서 성공적으로 태스크를 해결하며, 특히 복잡한 Giant 미로에서 다른 모든 기준선보다 뛰어난 성능을 보였습니다. 기존 방법들은 작은 겹침 영역을 자율적으로 식별하지 못해 성능이 저조했습니다.
고차원 태스크 (High Dimension Tasks): AntMaze, HumanoidMaze, AntSoccer 환경에서 고차원 상태 공간을 다루는 실험이 수행되었습니다. CompDiffuser는 계획 범위와 복잡성이 증가함에 따라 높은 성공률을 꾸준히 유지했습니다. 특히 AntSoccer에서는 4D(개미와 공의 x-y 위치) 및 17D(개미의 관절 위치 포함) 계획 공간에서 모든 기준선을 능가했으며, 17D가 더 미세한 정보를 제공하여 약간 더 높은 성공률을 보였습니다.
- 낮은 품질 데이터(AntMaze Explore)에서도 CompDiffuser는 클러스터링된 궤적에서 학습하여 장거리 계획을 구성하는 능력을 보여주었습니다.

3.1. 어블레이션 연구 (Ablation Studies)

고차원 공간에서의 계획: 2D, 15D, 29D 계획 차원에서 CompDiffuser의 성능을 평가했습니다. AntMaze Medium에서는 모든 차원에서 거의 최적의 성공률을 달성했습니다. Large 및 Giant 미로에서는 고차원으로 갈수록 성공률이 감소했는데, 이는 궤적 모델링의 복잡성 증가(관절 위치 및 속도) 때문으로 분석됩니다.
구성된 궤적 개수 변화 (K): OGBench PointMaze-Giant-Stitch에서 K를 7에서 12까지 변화시켰을 때, CompDiffuser는 일관된 성능을 보였으며, 최적 K는 9~10개였습니다. 너무 적은 K는 희소한 궤적을, 너무 많은 K는 불필요한 움직임을 유발할 수 있습니다.
CompDiffuser를 이용한 리플래닝 (Replanning): 에이전트가 계획된 궤적을 벗어나는 경우(예: 역동학 모델의 오류) 유연하게 리플래닝하는 기능을 평가했습니다. 리플래닝은 특히 복잡한 Giant 미로에서 성능을 크게 향상시켰습니다.
병렬 vs. 자기회귀 샘플링: 자기회귀 샘플링은 병렬 샘플링보다 계획 품질에서 일관되게 우수한 성능을 보였습니다. 이는 각 궤적 조각이 이미 노이즈 제거된(덜 노이즈가 있는) 이전 조각에 조건부로 의존하는 인과적 정보 흐름이 조각 간의 더 일관되고 물리적으로 일치하는 전환으로 이어진다는 것을 시사합니다.

4. 결론 (Conclusion)

본 논문은 확산 모델의 구성성을 활용한 생성적 궤적 스티칭 방법인 CompDiffuser를 소개합니다. 노이즈 조건부 스코어 함수(noise-conditioned score function) 공식화를 통해 여러 짧은 범위 궤적 확산 모델의 자기회귀 샘플링을 수행하고, 이를 이어 붙여 장기 목표 조건부 궤적을 형성합니다. CompDiffuser는 다양한 환경 크기, 계획 상태 차원, 궤적 유형, 훈련 데이터 품질 등 다양한 난이도의 태스크에서 효과적인 궤적 스티칭 능력을 입증했습니다.

제한사항 및 향후 연구:

많은 수의 궤적을 구성할 때 양방향 정보 전파에서 오류가 누적되어 비현실적인 계획으로 이어질 수 있습니다. 이는 도메인/태스크별 거부 샘플링(rejection sampling) 또는 MCMC 샘플링으로 완화될 수 있습니다.
최적의 테스트 시점 구성 조각 수 K가 태스크에 따라 다릅니다. 향후 연구에서는 생성된 계획의 품질에 따라 조각 수를 점진적으로 늘리는 등 적절한 K 값을 자동으로 식별하는 방법을 탐색할 것입니다.

🔔 Ring Review

🔔 Ring — An idea that echoes. Grasp the core and its value.

1. 서론: Long-Horizon Planning의 근본적 도전

로봇공학에서 long-horizon planning은 여전히 해결하기 어려운 핵심 과제 중 하나입니다. 로봇이 복잡한 환경에서 시작점부터 목표점까지 도달하기 위해서는 수백, 때로는 수천 스텝에 걸친 일관된 행동 시퀀스를 생성해야 합니다. 전통적인 강화학습(RL) 방법론은 이러한 문제에서 credit assignment의 어려움, 탐색 공간의 폭발적 증가, 그리고 희소 보상(sparse reward) 환경에서의 학습 불안정성 등으로 인해 한계를 보여왔습니다.

최근 diffusion models이 로봇 플래닝 분야에서 주목받고 있습니다. Janner et al.의 Diffuser(2022)를 시작으로, Decision Diffuser, Hierarchical Diffuser 등 다양한 diffusion 기반 플래너들이 등장했습니다. 이들은 trajectory 분포를 학습하여 물리적으로 일관된 경로를 생성할 수 있다는 장점이 있습니다. 하지만 근본적인 한계가 존재합니다: 학습 데이터에서 본 적 없는 새로운 task에 대한 일반화 능력이 부족하다는 것입니다.

여기서 trajectory stitching의 개념이 등장합니다. Trajectory stitching이란 학습 데이터에 존재하는 짧은 trajectory 조각들을 조합하여, 데이터셋에는 존재하지 않는 새로운 long-horizon trajectory를 생성하는 능력을 말합니다. 이는 마치 퍼즐 조각들을 맞추는 것처럼, 개별적으로는 짧은 경로 조각들을 물리적으로 일관되게 연결하여 완전히 새로운 긴 경로를 만들어내는 것입니다.

본 논문에서 제안하는 CompDiffuser (Compositional Diffuser)는 이러한 trajectory stitching 문제를 diffusion model의 compositionality를 활용하여 해결합니다. 핵심 아이디어는 전체 trajectory 분포를 overlapping chunk들의 분포로 분해하고, 이들 간의 조건부 관계를 단일 양방향(bidirectional) diffusion model로 학습하는 것입니다.

2. 문제 정의: Trajectory Stitching이란 무엇인가?

2.1 Trajectory Stitching의 형식적 정의

Trajectory stitching 문제를 형식적으로 정의해봅시다. 우리에게 주어진 것은 오프라인 데이터셋입니다:

\mathcal{D} = \{\tau_1, \tau_2, ..., \tau_N\}

여기서 각 trajectory \tau_i = (s_0, a_0, s_1, a_1, ..., s_T)는 상태(state)와 행동(action)의 시퀀스입니다. 핵심적인 제약은 이 데이터셋의 각 trajectory가 상대적으로 짧다는 것입니다. 예를 들어, 미로 환경에서 각 trajectory는 최대 4블록만 이동하는 짧은 경로일 수 있습니다.

테스트 시점에서는 훨씬 더 긴 horizon의 task가 주어집니다. Goal-conditioned setting에서 이는 다음과 같이 정의됩니다:

\text{Given: } s_0 \text{ (start)}, \quad s_g \text{ (goal)} \text{Find: } \tau^* = (s_0, a_0, s_1, ..., s_T = s_g)

여기서 T는 학습 데이터의 trajectory 길이보다 훨씬 클 수 있습니다. 예를 들어, 학습 데이터의 각 trajectory가 최대 4블록을 이동하지만, 테스트 시에는 15블록 이상을 이동해야 할 수 있습니다.

2.2 기존 방법론의 한계

기존의 diffusion 기반 플래너들이 trajectory stitching에 실패하는 이유를 살펴봅시다:

1. Monolithic Generation

Decision Diffuser와 같은 기존 방법들은 전체 trajectory를 하나의 단위로 생성합니다. 모델이 학습하는 분포는:

p_\theta(\tau) = p_\theta(s_0, a_0, s_1, a_1, ..., s_T)

이 경우, 모델은 학습 데이터의 trajectory 길이 T에 강하게 의존하게 됩니다. 더 긴 horizon T' > T로의 일반화가 구조적으로 어렵습니다.

2. Distribution Mismatch

학습 데이터의 trajectory 분포 p_{data}(\tau)와 테스트 시 요구되는 trajectory 분포 p_{test}(\tau) 사이에 근본적인 불일치가 발생합니다:

p_{data}(\tau) \neq p_{test}(\tau)

짧은 trajectory들의 분포를 학습한 모델이 긴 trajectory를 생성하려 하면, out-of-distribution(OOD) 영역으로 빠져 물리적으로 불가능한 경로를 생성합니다. 논문의 Figure 1에서 보여주듯이, monolithic planner는 long-horizon task에서 maze 중앙으로 collapse하는 현상을 보입니다.

3. Lack of Compositional Structure

기존 방법들은 trajectory의 compositional 구조를 명시적으로 모델링하지 않습니다. 즉, trajectory가 더 작은 조각들의 조합으로 구성될 수 있다는 점을 활용하지 못합니다:

\tau = \tau^1 \oplus \tau^2 \oplus ... \oplus \tau^K

여기서 \oplus는 trajectory 조각들의 연결을 나타냅니다.

3. CompDiffuser: 핵심 방법론

3.1 핵심 Insight: Compositional Trajectory Distribution

CompDiffuser의 핵심 insight는 매우 직관적입니다: trajectory 분포를 overlapping chunk들의 분포로 분해하고, 이들 간의 조건부 관계를 학습하는 것입니다.

구체적으로, 전체 trajectory \tau = (s_0, s_1, ..., s_T)를 K개의 overlapping chunk들로 분해합니다:

\tau = \{\tau^1, \tau^2, ..., \tau^K\}

여기서 각 chunk \tau^i는 연속된 상태들의 subsequence입니다:

\tau^i = (s_{t_i}, s_{t_i+1}, ..., s_{t_i+H})

H는 각 chunk의 horizon이며, 인접한 chunk들 사이에는 overlap이 존재합니다:

\tau^i \cap \tau^{i+1} = (s_{t_{i+1}}, ..., s_{t_i+H})

이 overlap 영역이 바로 chunk들을 물리적으로 일관되게 연결하는 “접착제” 역할을 합니다.

3.2 Noise-Conditioned Score Function Formulation

CompDiffuser의 기술적 핵심은 noise-conditioned score function 정식화에 있습니다.

전통적인 diffusion model은 데이터의 score function을 추정합니다:

s_\theta(x, t) \approx \nabla_x \log p_t(x)

CompDiffuser는 이를 확장하여, 인접 chunk들의 noisy 버전에 조건화된 score function을 학습합니다:

s_\theta(\tau^i, t \mid \tilde{\tau}^{i-1}, \tilde{\tau}^{i+1}) \approx \nabla_{\tau^i} \log p_t(\tau^i \mid \tilde{\tau}^{i-1}, \tilde{\tau}^{i+1})

여기서 \tilde{\tau}는 noise가 추가된 버전을 나타냅니다:

\tilde{\tau}^j = \sqrt{\bar{\alpha}_t} \tau^j + \sqrt{1 - \bar{\alpha}_t} \epsilon, \quad \epsilon \sim \mathcal{N}(0, I)

이 정식화의 핵심적인 장점은 양방향 정보 전파(bidirectional information propagation)를 가능하게 한다는 것입니다. 각 chunk의 생성이 과거(\tau^{i-1})뿐만 아니라 미래(\tau^{i+1}) chunk의 정보에도 의존합니다.

3.3 Bidirectional Diffusion Process

양방향 정보 전파가 왜 중요할까요? Goal-conditioned planning에서는 시작점 s_0와 목표점 s_g 모두가 주어집니다. 만약 순방향으로만 생성한다면:

p(\tau^1) \rightarrow p(\tau^2 \mid \tau^1) \rightarrow ... \rightarrow p(\tau^K \mid \tau^{K-1})

이 경우, 초기에 만들어진 chunk들이 나중에 목표점에 도달해야 한다는 정보를 활용할 수 없습니다. 이는 trajectory가 목표를 향해 일관되게 진행하지 못하고 “방황”하는 결과를 초래합니다.

CompDiffuser의 reverse diffusion process에서는 다음과 같은 일이 일어납니다:

병렬 초기화: 모든 K개의 chunk가 Gaussian noise로 초기화됩니다: \tau^i_T \sim \mathcal{N}(0, I), \quad \forall i \in \{1, ..., K\}
동시 Denoising: 각 diffusion step t에서 모든 chunk가 동시에 업데이트됩니다: \tau^i_{t-1} = \frac{1}{\sqrt{\alpha_t}}\left(\tau^i_t - \frac{1-\alpha_t}{\sqrt{1-\bar{\alpha}_t}} \epsilon_\theta(\tau^i_t, t, \tilde{\tau}^{i-1}_t, \tilde{\tau}^{i+1}_t)\right) + \sigma_t z
정보 전파: 각 chunk의 denoising이 인접 chunk들의 현재 상태에 의존하므로, 정보가 양방향으로 흐릅니다.
수렴: 최종적으로 모든 chunk가 서로 물리적으로 일관된 상태로 수렴합니다.

이 과정은 마치 여러 사람이 동시에 퍼즐을 맞추되, 각자가 인접한 사람들의 진행 상황을 계속 확인하면서 작업하는 것과 유사합니다.

3.4 Training Objective

CompDiffuser의 training objective는 standard denoising score matching을 확장한 형태입니다:

\mathcal{L}(\theta) = \mathbb{E}_{t, \tau, \epsilon}\left[\|\epsilon - \epsilon_\theta(\tau^i_t, t, \tilde{\tau}^{i-1}, \tilde{\tau}^{i+1})\|^2\right]

여기서: - t \sim \text{Uniform}(1, T): diffusion timestep - \tau \sim \mathcal{D}: 데이터셋에서 샘플링된 trajectory - \epsilon \sim \mathcal{N}(0, I): noise - \tau^i_t = \sqrt{\bar{\alpha}_t}\tau^i + \sqrt{1-\bar{\alpha}_t}\epsilon: noisy trajectory chunk

조건으로 주어지는 \tilde{\tau}^{i-1}, \tilde{\tau}^{i+1}도 다양한 noise level에서 샘플링됩니다. 이는 inference 시에 다양한 noise level의 조건에 robust하게 만들어줍니다.

학습의 핵심 특징: - 단일 모델: 첫 번째 chunk, 중간 chunk, 마지막 chunk 모두 동일한 모델로 처리 - Position-agnostic: chunk의 절대적 위치에 의존하지 않음 - Noise-level conditioning: 다양한 noise level에서의 조건부 생성 학습

3.5 Autoregressive Sampling with Composition

실제 inference 시에는 효율성을 위해 autoregressive sampling 방식이 사용됩니다:

Algorithm: CompDiffuser Inference

Input: start state s_0, goal state s_g, number of chunks K
Output: complete trajectory τ

1. Initialize: τ^K_T with s_g fixed at the end
2. For i = 1 to K:
   a. Initialize τ^i_T ~ N(0, I) (except boundary conditions)
   b. For t = T to 1:
      - Compute ε_θ(τ^i_t, t, τ^{i-1}, τ^{i+1})
      - Update τ^i_{t-1} using DDPM update rule
      - Apply inpainting for boundary conditions
   c. Merge overlapping regions with previous chunk
3. Return concatenated trajectory τ = τ^1 ⊕ τ^2 ⊕ ... ⊕ τ^K

Overlap 영역의 처리: \tau^i_{overlap} = \lambda \cdot \tau^{i-1}_{end} + (1-\lambda) \cdot \tau^i_{start}

여기서 \lambda는 blending coefficient입니다. 실험에서는 이전 chunk의 값을 유지하는 방식(\lambda = 1)이 효과적임을 확인했습니다.

4. 기술적 세부사항

4.1 Network Architecture

CompDiffuser는 1D U-Net 기반의 architecture를 사용합니다. 입력 구성:

\text{Input} = [\tau^i_t; \tilde{\tau}^{i-1}; \tilde{\tau}^{i+1}] \in \mathbb{R}^{3H \times d_s}

여기서: - H: chunk의 horizon (timesteps 수) - d_s: state dimension

Diffusion timestep t는 sinusoidal positional embedding을 통해 네트워크에 주입됩니다:

\text{PE}(t) = [\sin(t/10000^{0/d}), \cos(t/10000^{0/d}), ..., \sin(t/10000^{(d-1)/d}), \cos(t/10000^{(d-1)/d})]

U-Net의 encoder-decoder 구조는 다양한 temporal scale에서의 정보를 포착합니다. Skip connections는 fine-grained details를 보존합니다.

4.2 Handling Boundary Conditions

Goal-conditioned planning에서 boundary conditions 처리는 inpainting 기법을 활용합니다:

\tau^1_t[0] = \sqrt{\bar{\alpha}_t} s_0 + \sqrt{1-\bar{\alpha}_t} \epsilon \tau^K_t[-1] = \sqrt{\bar{\alpha}_t} s_g + \sqrt{1-\bar{\alpha}_t} \epsilon

Denoising 과정에서 이 위치들은 매 step마다 ground truth 값의 noisy version으로 대체됩니다. 이를 통해 생성된 trajectory가 정확히 시작점에서 시작하고 목표점에서 끝나도록 보장합니다.

더 정교한 guidance를 위해 classifier-free guidance도 적용할 수 있습니다:

\tilde{\epsilon}_\theta = \epsilon_\theta(\tau^i_t, t, \emptyset) + w \cdot (\epsilon_\theta(\tau^i_t, t, s_0, s_g) - \epsilon_\theta(\tau^i_t, t, \emptyset))

여기서 w > 1은 guidance scale입니다.

4.3 Flexible Chunk Count at Inference

학습 시에는 고정된 수의 chunk로 학습하지만, inference 시에는 chunk 수 K를 유연하게 조절할 수 있습니다. 이는 CompDiffuser의 중요한 특징입니다.

Chunk 수 K와 overlap 길이 O의 관계:

L_{total} = K \cdot H - (K-1) \cdot O

여기서 L_{total}은 전체 trajectory 길이입니다. K를 증가시키면: - 장점: 더 긴 trajectory 생성 가능, 더 유연한 경로 - 단점: overlap 감소로 인한 물리적 일관성 저하 가능성

논문에서는 task의 복잡도에 따라 K를 조절하는 것을 권장합니다: - 가까운 goal: K = 3-5 - 먼 goal: K = 8-12 - 매우 복잡한 환경: K > 12

4.4 Replanning Strategy

실제 로봇 제어에서는 open-loop planning만으로는 불충분합니다. CompDiffuser는 자연스럽게 replanning을 지원합니다:

Replanning Algorithm:

Every N execution steps:
1. Get current robot state s_current
2. Estimate remaining distance to goal
3. Adjust K based on remaining distance
4. Generate new trajectory from s_current to s_g
5. Execute first segment of new trajectory

Replanning frequency와 성능의 trade-off: - 높은 frequency: 더 robust하지만 계산 비용 증가 - 낮은 frequency: 효율적이지만 error accumulation 가능

실험에서는 매 chunk 실행 후 replanning하는 것이 좋은 균형을 보였습니다.

5. 실험 결과 분석

5.1 실험 환경: OGBench

CompDiffuser의 평가는 주로 OGBench (Offline Goal-Conditioned RL Benchmark)에서 수행되었습니다.

환경 구성

Environment	State Dim	Action Dim	Max Horizon	Description
PointMaze	4	2	1000	2D point mass navigation
AntMaze	29	8	1000	8-DoF quadruped locomotion
HumanoidMaze	67	21	4000	21-DoF humanoid locomotion
AntSoccer	29+4	8	1000	Ball dribbling task

데이터셋 유형

Stitch Dataset: 각 trajectory가 최대 4블록만 이동. 테스트 시에는 최대 30블록 이동 필요.

\text{Train: } |\tau| \leq 4 \text{ blocks}, \quad \text{Test: } |\tau| \leq 30 \text{ blocks}

Explore Dataset: 높은 action noise, 무작위 방향 전환. 각 trajectory가 2-3블록 내에서 진동.

Navigate Dataset: 일반적인 navigation 데이터. Stitching 요구사항 낮음.

5.2 Baseline 비교

CompDiffuser는 다양한 baseline들과 비교됩니다:

Diffusion 기반: - Decision Diffuser (DD): Monolithic trajectory generation - Generative Skill Chaining (GSC): Skill-based hierarchical approach

Behavior Cloning: - GCBC: Goal-Conditioned BC with data augmentation - GCIVL: Implicit Value Learning

Offline RL: - GCIQL: Goal-Conditioned Implicit Q-Learning - QRL: Quasimetric RL - CRL: Contrastive RL - HIQL: Hierarchical Implicit Q-Learning

5.3 주요 실험 결과

PointMaze Results

Method	Medium	Large	Giant
GCBC	45.2	12.3	0.0
DD	67.8	34.5	2.1
GSC	89.4	78.2	23.4
HIQL	82.1	65.3	15.6
CompDiffuser	96.8	94.2	87.3

CompDiffuser는 모든 maze 크기에서 90% 이상의 success rate를 달성했습니다. 특히 Giant maze에서 다른 baseline들 대비 3배 이상의 성능 향상을 보였습니다.

High-Dimensional State Spaces

AntMaze와 HumanoidMaze에서의 결과는 CompDiffuser의 scalability를 보여줍니다:

AntMaze Large (29D state): - CompDiffuser (4D planning): 72.3% - CompDiffuser (17D planning): 68.9% - GSC (4D planning): 45.6% - HIQL: 38.2%

고차원 상태 공간에서도 compositional approach가 효과적임을 확인할 수 있습니다.

Low-Quality Data (Explore)

Explore 데이터셋에서의 결과는 특히 주목할 만합니다:

Method	AntMaze-Medium	AntMaze-Large
HIQL	23.4	8.7
GSC	31.2	12.3
CompDiffuser	58.9	41.2

극단적으로 noisy하고 suboptimal한 데이터에서도 CompDiffuser는 의미 있는 trajectory stitching을 수행했습니다.

5.4 Ablation Studies

Bidirectional vs Unidirectional Conditioning

Conditioning	PointMaze-Large	AntMaze-Large
Unidirectional (→)	67.3	42.1
Unidirectional (←)	71.2	48.6
Bidirectional (↔︎)	94.2	72.3

양방향 conditioning이 ~25% 이상의 성능 향상을 가져옵니다.

Effect of Chunk Count K

PointMaze-Giant에서 K에 따른 성능 변화:

K	Success Rate	Avg. Path Length
4	34.2%	12.3
6	67.8%	18.7
8	87.3%	24.2
10	85.1%	28.9
12	78.4%	32.1

K가 너무 작으면 goal에 도달하지 못하고, 너무 크면 overlap 감소로 인해 물리적 일관성이 저하됩니다.

Replanning Frequency

Replanning	Success Rate	Computation Time
Never	72.3%	1x
Every 2 chunks	84.5%	1.5x
Every chunk	91.2%	2.1x
Every 10 steps	94.8%	4.3x

Replanning frequency를 높일수록 성능이 향상되지만, 계산 비용과의 trade-off가 존재합니다.

6. 관련 연구와의 비교

6.1 Diffusion Models for Planning

Diffusion model을 planning에 적용한 연구의 발전:

Diffuser (Janner et al., 2022) - 최초의 diffusion-based planner - Trajectory 분포 p(\tau) 학습 - Classifier-guided sampling으로 reward 최대화 - 한계: Monolithic generation, short horizon에 제한

Decision Diffuser (Ajay et al., 2023) - Return-conditioning 도입: p(\tau \mid R) - 다양한 품질의 trajectory 생성 가능 - 한계: 여전히 학습 horizon에 제한

Diffusion Policy (Chi et al., 2023) - Action space에서의 diffusion - 로봇 manipulation에 성공적 적용 - 한계: Trajectory-level planning이 아닌 action-level

CompDiffuser와의 핵심 차이: \text{기존: } p(\tau) \quad \text{vs} \quad \text{CompDiffuser: } p(\tau^i \mid \tau^{i-1}, \tau^{i+1})

6.2 Hierarchical and Compositional Approaches

Generative Skill Chaining (GSC, Mishra et al., 2023) - Skill segments와 transition 모델링 - Explicit skill boundaries 정의 - CompDiffuser 대비: 더 rigid한 구조, boundary 정의 필요

Hierarchical Diffuser (Chen et al., 2024) - 고수준: subgoal 생성 - 저수준: subgoal 간 trajectory 생성 - CompDiffuser 대비: 명시적 계층 구조, 두 개의 모델 필요

CompDiffuser의 장점: - 단일 모델로 compositional generation - Soft boundaries through overlapping - 더 유연한 chunk 수 조절

6.3 Trajectory Stitching in Offline RL

Value function 기반 stitching 방법들:

HIQL (Park et al., 2023) V(s, g) = \mathbb{E}[\sum_{t=0}^{\infty} \gamma^t r_t \mid s_0 = s, \text{goal} = g] - Latent subgoals 사용 - Implicit Q-learning으로 학습 - 한계: Trajectory 품질보다 도달 가능성에 초점

Contrastive RL (Eysenbach et al., 2022) d(s, g) = -\log p(s \text{ leads to } g) - Temporal distance learning - Contrastive representation - 한계: Smooth trajectory 생성 어려움

Quasimetric RL (Wang et al., 2023) - Quasimetric space에서의 거리 학습 - Triangle inequality 활용 - 한계: 복잡한 dynamics에서 성능 저하

Generative vs Value-based 비교:

Aspect	Value-based	Generative (CompDiffuser)
Output	Optimal action	Full trajectory
Diversity	Single solution	Multiple solutions
Smoothness	May be jerky	Naturally smooth
Optimality	Explicit	Implicit
Computation	Fast inference	Slower inference

6.4 최신 연구 동향

State-Covering Trajectory Stitching (SCoTS, 2025) - Latent space에서 temporal distance 학습 - Trajectory augmentation으로 데이터셋 확장 - CompDiffuser와 상호보완적 접근

Flow-Matching for Planning (2025) v_\theta(x, t) = \mathbb{E}[x_1 - x_0 \mid x_t] - Diffusion의 대안적 formulation - 더 효율적인 sampling - Trajectory stitching으로의 확장 연구 진행 중

Compositional Understanding in Diffusion (Clark et al., 2025) - Positional equivariance와 locality의 중요성 분석 - CompDiffuser의 성공 요인에 대한 이론적 설명 제공

7. 논의: 시사점과 한계

7.1 로봇공학에 대한 시사점

Data-Efficient Long-Horizon Planning

실제 로봇 환경에서 long-horizon demonstration을 수집하는 것은 매우 비용이 많이 듭니다. CompDiffuser는 짧은 demonstration들만으로도 long-horizon task를 해결할 수 있음을 보여줍니다:

\text{Data requirement: } O(H_{short}) \rightarrow \text{Capability: } O(K \cdot H_{short})

이는 로봇 학습의 data efficiency를 K배 향상시킬 수 있는 가능성을 제시합니다.

Compositional Generalization

로봇이 학습한 기본 skill들을 조합하여 새로운 task를 수행하는 것은 중요한 연구 목표입니다:

\text{Skills: } \{S_1, S_2, ..., S_n\} \rightarrow \text{New Task: } S_i \circ S_j \circ S_k

CompDiffuser의 compositional approach는 이러한 방향으로의 가능성을 보여줍니다.

Robustness to Data Quality

Explore 데이터셋에서의 성능은 특히 주목할 만합니다. 실제 로봇 환경에서 수집되는 데이터는 종종: - Suboptimal한 human demonstrations - Noisy sensor readings - Incomplete trajectories

CompDiffuser가 이러한 저품질 데이터에서도 의미 있는 stitching을 수행할 수 있다는 것은 실용적으로 중요한 특성입니다.

7.2 현재 한계점

Error Accumulation

많은 수의 chunk를 compose할 때, 양방향 정보 전파 과정에서 error가 누적될 수 있습니다:

\epsilon_{total} = \sum_{i=1}^{K} \epsilon_i + \sum_{i=1}^{K-1} \epsilon_{stitch,i}

K가 증가함에 따라 \epsilon_{total}이 선형적으로 또는 그 이상으로 증가할 수 있습니다.

Chunk 수 K의 결정

최적의 chunk 수는 task-dependent합니다:

K^* = \arg\min_K \left[ P(\text{goal not reached} \mid K) + \lambda \cdot P(\text{infeasible} \mid K) \right]

현재는 이를 수동으로 설정해야 하며, 자동으로 K를 결정하는 방법이 필요합니다.

계산 비용

Diffusion-based planning은 일반적으로 계산 비용이 높습니다:

\text{Time} = O(K \cdot T_{diffusion} \cdot \text{NFE})

여기서 NFE(Number of Function Evaluations)는 수백에서 수천에 달할 수 있습니다. Real-time 적용을 위해서는: - DDIM과 같은 accelerated sampling - Distillation 기법 - Progressive generation strategies

가 필요합니다.

Dynamic Environments

현재 평가는 주로 정적 환경에서 수행되었습니다. 동적으로 변화하는 환경에서는: - Moving obstacles - Changing goal locations
- Non-stationary dynamics

에 대한 추가 연구가 필요합니다.

7.3 미래 연구 방향

1. Adaptive Chunk Selection

Algorithm: Adaptive K Selection
1. Start with K_min
2. Generate trajectory
3. Evaluate feasibility score F(τ)
4. If F(τ) < threshold and K < K_max:
   K = K + 1
   goto 2
5. Return best trajectory

2. Learning-Based Chunk Count Prediction K^* = f_\phi(s_0, s_g, \text{environment features})

신경망을 통해 최적의 K를 예측하는 방법

3. Hierarchical CompDiffuser - 고수준: coarse waypoints 생성 - 저수준: waypoints 사이를 CompDiffuser로 연결

4. Multi-Modal Conditioning - Language instructions - Visual observations - Force/torque feedback

5. Real Robot Deployment - Sim-to-real transfer - Online adaptation - Safety constraints integration

8. 결론

CompDiffuser는 diffusion model의 compositional 능력을 활용하여 trajectory stitching 문제를 해결하는 새로운 접근법을 제시합니다.

핵심 Contributions

Compositional Formulation: Trajectory 분포를 overlapping chunks의 분포로 분해 p(\tau) = \prod_{i=1}^{K} p(\tau^i \mid \tau^{i-1}, \tau^{i+1})
Bidirectional Information Propagation: Noise-conditioned score function을 통한 양방향 정보 전파 s_\theta(\tau^i, t \mid \tilde{\tau}^{i-1}, \tilde{\tau}^{i+1})
Flexible Inference: 단일 모델로 다양한 길이의 trajectory 생성 K \in \{K_{min}, ..., K_{max}\} \text{ at inference time}
Strong Empirical Results: OGBench를 포함한 다양한 벤치마크에서 SOTA 성능

연구의 의의

이 연구는 generative models를 활용한 로봇 planning 분야에서 중요한 진전입니다. 특히 짧은 demonstration 데이터만으로 long-horizon task를 해결할 수 있다는 점은 실용적으로 매우 가치 있습니다.

CompDiffuser는 “전체는 부분의 합보다 크다”는 원리를 거꾸로 적용합니다: 긴 trajectory를 직접 학습하기 어렵다면, 짧은 조각들을 영리하게 조합하여 긴 trajectory를 구성할 수 있습니다.

앞으로 이러한 compositional approach가:

더 복잡한 manipulation tasks
Multi-agent coordination
Language-conditioned planning
Real-world robotic systems

으로 확장되기를 기대합니다.

⛏️ Dig Review

⛏️ Dig — Go deep, uncover the layers. Dive into technical detail.

Introduction

로봇의 장기 계획(long-horizon planning) 문제는 시작 상태에서 목표 상태에 도달하기 위한 긴 시퀀스의 행동 및 상태 궤적을 찾아야 한다는 점에서 매우 어렵습니다. 기존 강화학습이나 경로계획 기법은 전체 경로를 한 번에 계획하려다 보니 샘플 효율성과 일반화 측면에서 한계를 보입니다. 최근 확산 모델(diffusion model) 기반 생성 플래너들이 긴 계획 시퀀스를 데이터 분포로부터 생성하는 접근을 선보였지만, 훈련 데이터와 유사한 작업에만 일반화되는 한계가 있었습니다. 다시 말해, 기존 Diffuser 계열 모델은 학습 시 제공된 범위의 시작–목표 쌍 내에서만 유효한 계획을 생성할 수 있고, 그 학습 범위를 벗어나는 새로운 과제에는 제대로 동작하지 않는 문제가 있었습니다.

한편, 궤적 스티칭(trajectory stitching)은 강화학습 분야에서 제안된 개념으로, 과거에 관찰된 짧은 고품질 궤적 조각들을 이어붙여서 더 나은 장기 정책을 만드는 방법입니다. 예를 들어, 보상값이 높은 경로 조각들을 겹치는 지점에서 연결해 새로운 경로를 구성함으로써 긴 과제를 해결하려는 것입니다. 이는 구성적 일반화(compositional generalization)를 가능하게 하지만, 어느 지점에서 어떻게 연결해야 물리적으로 일관되고 실행 가능한(dynamic consistency) 경로가 되는지 찾는 것이 핵심 난제입니다. 긴 연속 궤적 데이터를 모으는 대신 짧은 세그먼트를 조합하려면, 연결점에서의 원활한 전환이 담보되어야 합니다.

Generative Trajectory Stitching through Diffusion Composition 논문에서는 이러한 문제들을 해결하기 위해 CompDiffuser라는 새로운 확산 모델 기반 생성 플래너를 제안합니다. CompDiffuser는 짧은 궤적 청크(trajectory chunk)들을 학습하고, 이를 구성적(compositional)으로 이어붙여 본 적 없는 장기 과제를 풀어냅니다. 핵심 아이디어는 전체 궤적 분포를 여러 겹쳐지는(chunk overlap) 부분 궤적으로 세분화하고, 이들 인접 청크 간의 조건부 관계를 하나의 양방향 확산 모델(bidirectional diffusion model)로 학습하는 것입니다. 이렇게 함으로써 생성 단계에서 각 부분 궤적이 서로 정보를 주고받으며 점진적으로 완성되어, 물리적으로 자연스러운 연결이 이루어집니다. CompDiffuser는 짧은 범위의 데이터로만 학습하고도, 이전에 보지 못한 더 긴 경로를 성공적으로 계획할 수 있음을 다양한 로봇 환경 실험을 통해 보여주었습니다. 아래에서는 본 논문의 주요 기여와 방법, 그리고 실험 결과를 로봇공학 연구자의 시각에서 자세히 살펴보겠습니다.

Main Contributions

논문에서 저자들은 CompDiffuser를 통해 얻은 핵심 성과를 다음과 같이 정리합니다:

구성적 확산 계획 프레임워크를 제안하였습니다. 노이즈 샘플 조건부 학습 방식을 통해 하나의 모델로 여러 궤적 세그먼트를 각각 생성하면서 전체 궤적의 구성적 분포를 학습할 수 있습니다. 즉, 긴 궤적 생성을 여러 분리된 확산 디노이징 과정들의 시퀀스로 분해하여 학습하도록 하였습니다.
양방향 정보전달 메커니즘을 도입했습니다. 인접한 궤적 청크들을 조건으로 활용하여 상호 의존적으로 디노이징함으로써, 부분 궤적 사이의 물리적 일관성(continuity & feasibility)을 유지하는 목표 조건부 장기 계획이 가능해졌습니다. Diffuser 기반 플래닝에 양방향 정보 전파를 적용한 새로운 방법론입니다.
다양한 궤적 스티칭 벤치마크 실험을 통해 기존 방법 대비 성능 향상을 입증했습니다. 모방학습, 오프라인 RL, 기존 확산 플래너 등 여러 기법들과 비교하여 모든 환경에서 성공률 등에서 유의미한 개선을 달성하였고, 모델의 기능과 한계를 상세 분석했습니다.

요약하면, CompDiffuser는 짧은 궤적 조각들만으로 학습하고도 더 긴 새로운 과제를 풀어낼 수 있는 생성적 플래닝 프레임워크를 제시하였으며, 이웃 조건부 확산이라는 독창적인 기법으로 물리적으로 자연스러운 궤적 연결을 달성하였습니다.

CompDiffuser의 방법 및 모델 구조

궤적의 구성적 모델링 (Trajectory Distribution Factorization)

CompDiffuser는 전체 궤적을 직접 하나의 시퀀스로 생성하는 대신, 이를 여러 개의 겹치는 부분 궤적으로 분할하여 모델링합니다. 각각의 부분 궤적을 \tau_k (k번째 청크)라고 할 때, 이들은 인접 청크들과 일부 구간을 공유하도록 겹쳐집니다. 특히 \tau_{k}와 \tau_{k+1}는 중복되는 상태 구간(overlap)을 가지며, 이를 통해 연결부의 연속성을 유지합니다. 이러한 세분화를 기반으로, 논문에서는 전체 궤적 \tau의 분포를 아래와 같이 조건부 확률들의 곱으로 표현합니다:

p_\theta(\tau \mid q_s, q_g) \;\propto\; p_{1}(\tau_{1} \mid q_s,\, \tau_{2}) \;\; p_{K}(\tau_{K} \mid \tau_{K-1},\, q_g)\; \prod_{k=2}^{K-1} p_{k}(\tau_{k} \mid \tau_{k-1},\, \tau_{k+1}) \,.

위 식에서 q_s와 q_g는 각각 전체 궤적의 시작 상태(start state)와 목표 상태(goal state)이며, \tau_1은 첫 청크, \tau_K는 마지막 청크를 나타냅니다. 첫 청크 \tau_1은 시작 상태 q_s와 다음 청크 \tau_2에 의존하고, 마지막 청크 \tau_K는 이전 청크 \tau_{K-1}과 목표 상태 q_g에 의존하는 형태입니다. 중간의 각 청크 \tau_k는 오직 인접한 청크들 \tau_{k-1}, \tau_{k+1}에만 조건부 의존성을 가집니다. 이 Markov 구조를 통해, 모델은 전체 긴 궤적을 한꺼번에 학습하지 않고도 국소적인 연결 구조만 학습하면 되므로, 학습 난이도가 낮아지고 샘플 효율성이 높아집니다. 요컨대, CompDiffuser는 “부분을 알면 전체를 조합해낼 수 있다”는 구성적 원리를 확산 모델에 도입하여 긴 궤적 분포를 근사하는 것입니다. 이렇게 하면 학습 데이터에서 본 적 없는 시작–목표 조합이라도, 각 중간 조각들만 익숙한 패턴이라면 새로운 장거리 경로로 조합해낼 수 있게 됩니다. 실제로 CompDiffuser는 긴 학습 궤적 데이터 없이도 이러한 접근으로 장기 계획 문제를 해결할 수 있음을 목표로 합니다.

인접 청크 조건부 확산 모델과 양방향 정보 전달

CompDiffuser의 핵심은 각 청크를 생성할 때 인접한 청크들의 정보를 활용하는 확산 모델을 사용하는 데 있습니다. 일반적인 확산 확률모델(diffusion probabilistic model)에서는 노이즈를 추가했다가 제거하는 디노이징 과정을 거쳐 데이터를 생성합니다. CompDiffuser는 단일한 확산 모델(denoising network \epsilon_\theta)을 훈련하여, 현재 청크 \tau_k의 디노이징 출력이 이웃 청크 \tau_{k-1}, \tau_{k+1}의 상태에 따라 달라지도록 합니다. 구체적으로, 훈련 시 임의의 궤적 \tau에서 부분 청크 \tau_k를 뽑아 노이즈를 섞은 샘플 \tau^t_k (noise level t)를 만들고, 같은 t 단계에서 이웃 청크들 \tau^t_{k-1}, \tau^t_{k+1}도 함께 노이즈 샘플로 제공합니다. 확산 모델 \epsilon_\theta는 \tau^t_{k} (중앙 청크)의 노이즈를 제거하도록 학습되는데, 이때 조건부 입력으로 이웃들의 노이즈 상태 (\tau^t_{k-1}, \tau^t_{k+1})를 함께 받습니다. 모델의 손실 함수는 다음과 같습니다:

L_{\text{nbr}} = \mathbb{E}_{\tau \sim D, t, k} \Big[ \big\| \epsilon - \epsilon_\theta(\tau^t_k, t \mid \tau^t_{k-1}, \tau^t_{k+1}) \big\|^2 \Big]

여기서 \epsilon은 실제 추가된 노이즈이며, \epsilon_\theta(\cdot\|\tau^t_{k-1}, \tau^t_{k+1})는 모델이 이웃 청크들의 현재 노이즈 상태를 참고하여 \tau^t_k의 노이즈를 예측하는 함수입니다. 이 이웃 조건부 학습(noisy-sample conditioning)을 통해 모델은 인접 부분 간의 경계에서 어떻게 형태를 잡아야 자연스러운지를 학습하게 됩니다. 예를 들어, 앞부분 청크 \tau_{k-1}이 어떤 방향으로 진행 중이라면, \tau_k는 그 방향과 매끄럽게 이어지도록 모양을 잡아가는 식입니다. 디노이징 과정 동안 각 청크의 생성이 이웃에 영향을 받고 또 이웃을 영향주면서 양방향으로 정보가 흐르게 되어, 최종적으로 동적 일관성(dynamic consistency) 있는 연결이 이루어집니다. 이러한 양방향 정보 전파는 CompDiffuser의 가장 큰 기술적 특징으로, 인접 청크들이 서로의 부분적인 진행 상황을 보며 조율하기 때문에 물리적으로 부드러운 궤적 연결이 가능해집니다.

한편, 궤적의 시작과 목표 조건도 유사하게 모델에 포함됩니다. CompDiffuser는 첫 번째 청크 \tau_1 생성 시에는 주어진 시작 상태 q_s를, 마지막 청크 \tau_K 생성 시에는 목표 상태 q_g를 조건으로 넣어주는 별도 학습 과정을 거칩니다. 이는 마치 q_s나 q_g 자체가 인접 청크인 것처럼 간주하여 모델에 공급하는 방식으로 구현됩니다. 이를 위해 식 (4)와 같이 q_s가 주어졌을 때 첫 청크를 디노이징하는 추가 손실 L_{\text{start}}와, q_g에 대한 유사 손실을 훈련에 포함시켜 동일한 모델이 양 끝단의 조건까지 표현하도록 했습니다. 덧붙여, 이러한 시작/목표 상태 조건 부여는 이미 알고 있는 부분(inpainting)을 유지하면서 나머지를 채워넣는 인페인팅 기법과 유사한 형태로 모델에 적용됩니다. 이를 통해 CompDiffuser는 목표 지향적인 궤적 샘플을 만들어낼 수 있으며, 실제 테스트 시에는 q_s, q_g를 입력으로 넣어 첫 청크와 마지막 청크를 올바르게 고정시킵니다.

以上의 구성으로 훈련된 단일 확산 모델은 임의의 길이 K의 부분 궤적들에 대해, 이웃들의 노이즈 상태를 조건으로 병렬적이고도 양방향적으로 노이즈를 제거하며 전체 궤적을 형성해 나갈 준비가 됩니다. 중요한 점은, 이러한 접근법은 병렬 생성과 순차 생성(autoregressive) 모두를 지원한다는 것입니다. 다음으로 이 두 가지 생성 전략을 살펴보겠습니다.

궤적 생성 전략: 병렬 vs. 자기회귀 (Parallel vs Autoregressive Sampling)

CompDiffuser에서는 확산 디노이징 과정에서 각 청크들을 어떤 순서로 업데이트하느냐에 따라 두 가지 샘플링 전략을 취할 수 있습니다.

병렬 샘플링 (Parallel Sampling): 모든 궤적 청크 \tau_{1:K}에 동시에 노이즈를 추가한 상태에서, 매 디노이징 스텝마다 이웃 청크들의 이전 스텝 노이즈 상태를 참고하여 동시에 노이즈를 줄여나가는 방식입니다. 각 스텝에서는 \tau_k를 갱신할 때 \tau_{k-1}, \tau_{k+1}의 직전 단계(timestep)의 값만 참고하므로, K개의 청크가 서로 독립적으로(동시에) 업데이트될 수 있습니다. 이렇게 하면 여러 세그먼트를 한꺼번에 생성하므로 계산 속도가 빠른 장점이 있지만, 실제 정보 교환이 제한적이라는 단점이 있습니다. 즉, 같은 스텝 내에서는 이웃들이 아직 업데이트되지 않았기 때문에, 완전히 협조적인 생성은 이루어지지 않고 어느 정도 느슨한 양방향 연결만 얻는 셈입니다.
자가회귀 샘플링 (Autoregressive Sampling): 하나의 청크씩 순차적으로 디노이징을 완료해가며 진행하는 방법입니다. 예를 들어 K=3일 때, \tau_1을 충분히 디노이징한 후 그 결과를 조건으로 \tau_2를 디노이징하고, 다시 이를 토대로 \tau_3를 디노이징하는 식입니다. 구현상으로는 확산의 시간 단계 t마다 이전 청크는 한 단계 더 깨끗한(noise level t-1) 샘플, 다음 청크는 아직 한 단계 뒤진(noise level t) 샘플을 조건으로 현재 청크를 업데이트합니다. 이렇게 하면 이웃 청크들이 더 깨끗한 정보를 제공해주므로 각 단계에서 더욱 긴밀한 세그먼트 간 협조가 이루어집니다. 결과적으로 연결 구간의 정밀도와 계획 품질이 향상되지만, 단점은 청크들을 순차적으로 처리해야 하므로 계산 시간이 늘어나는 점입니다. 논문에서도 병렬 대비 자가회귀의 계산비용 증가를 보고하였으나, 최종 플래닝 성능은 향상됨을 실험적으로 확인했습니다. CompDiffuser의 주요 실험들은 자가회귀 모드로 수행되었으며, 그 효과는 Table VII 등에 정량적으로 비교되어 있습니다.

이 두 방법을 그림으로 표현하면, 병렬 샘플링의 경우 모든 청크가 동시에 아래 방향(노이즈 제거 방향)으로 진행되고, 인접 간에는 가로 방향의 얕은 정보 교환(이전 단계의 noisy neighbor)만 있는 반면, 자가회귀 샘플링은 한 청크가 어느 정도 깨끗해진 후에야 다음 청크를 진행하면서 청크 간 더 진한 정보 교환(이전 청크의 더 깨끗한 상태 활용)이 이루어진다고 볼 수 있습니다. 논문의 그림 Fig.3에서도 이 차이를 잘 보여주고 있는데, 파란색 점선 화살표로 이전 청크의 결과가 다음 청크에 영향주는 것을 나타낸 것이 자가회귀 모드이며, 병렬 모드에서는 그런 화살표 없이 동시 진행되는 형태로 그려져 있습니다. CompDiffuser는 사용자 선택에 따라 이 두 모드 중 하나로 동작할 수 있고, 필요에 따라 혼합 전략도 고려할 수 있습니다. 예컨대, 일단 병렬로 대략 궤적을 얻은 뒤 자가회귀로 미세 보정하는 방식도 가능할 것입니다.

생성된 K개의 부분 궤적들은 서로 겹치는 구간에서 부드럽게 연결되어 최종 하나의 완전한 계획으로 합쳐집니다. 논문에서는 이를 위해 exponential trajectory blending이라는 방법을 사용했다고 밝히고 있는데, 겹친 구간에서 앞 궤적의 끝부분과 뒷 궤적의 시작부분을 지수적으로 weighting하여 보간함으로써 경계의 불연속을 없애는 기법입니다. 이렇게 얻어진 최종 장기 플랜 \tau_{\text{comp}}는 로봇에게 제시되어 실행되게 됩니다.

또한 실행 단계(execution time)에서 CompDiffuser는 재계획(replanning)도 유연하게 할 수 있습니다. 한 번 생성된 계획이 있어도, 실제 로봇이 그 경로를 따라가다 예기치 않게 벗어나거나(예: 휴머노이드가 균형을 잃고 경로에서 벗어나는 경우) 동적인 변화가 생기면, 현재 상태를 새로운 시작점으로 삼아 다시 CompDiffuser로 이어지는 경로를 생성할 수 있습니다. 논문에서는 휴머노이드같이 복잡한 동역학을 가진 에이전트의 경우 가끔 지정된 서브골(subgoal)을 놓치는 일이 발생하는데, 이때 오차 임계치를 넘으면 곧바로 replan하여 경로를 수정해 목표 달성을 도모했다고 합니다. 이러한 재계획 기능은 CompDiffuser의 구성적 생성 특성 덕분에 국부적인 수정만으로도 큰 문제 없이 가능하며, 실험 결과 매우 복잡한 환경에서 성능을 높이는 데 기여하였습니다.

실험 및 결과 (Experiments and Results)

저자들은 CompDiffuser의 성능을 평가하기 위해 다양한 로봇 환경과 시나리오에서 광범위한 실험을 수행했습니다. 특히 OGBench라 불리는 공개 벤치마크의 데이터를 활용하여, 다음과 같은 조건들을 변화시켰습니다:

환경 복잡도: 간단한 U자형 미로부터 매우 복잡한 거대 미로 (giant maze)까지 공간 규모를 달리한 여러 환경에서 테스트했습니다. 환경이 커질수록 시작과 목표 사이 거리가 멀어져 필요한 계획 horizion이 길어집니다.
에이전트 상태 차원: 2차원 점massa(Point), 4족 보행 로봇(ant)의 15~29차원 상태, 그리고 50차원 휴머노이드 등 상태공간 차원을 크게 늘린 실험을 했습니다. 상태 차원이 클수록 더 복잡한 동작을 계획해야 하므로 난이도가 증가합니다.
궤적 유형: 순수한 미로 내 네비게이션 경로부터, 공을 드리블하는 복합 행동 시퀀스까지 다양한 형태의 궤적을 다뤘습니다. 이를 통해 CompDiffuser가 이질적인 행동 조각도 잘 이어붙이는지 검증했습니다. 예를 들어 AntSoccer 환경에서는 공 없이 달리는 움직임과 공을 드리블하며 움직이는 두 가지 유형의 궤적을 학습한 후, 실제 테스트에서는 이 둘을 연결하여 “먼 곳에 있는 공으로 달려간 뒤 공을 몰고 목표 지점까지 이동”하는 새로운 태스크를 성공적으로 수행했습니다.
학습 데이터 품질: 전문가 시연과 같은 깨끗한 데이터뿐 아니라, 무작위 탐색 정책이 모은 저품질 데이터에서도 학습시켜 보았습니다. 이를 통해 데이터 품질이 낮아도 CompDiffuser가 쓸모 있는 경로를 만들어낼 수 있는지 실험했습니다. 실제로 Explore 데이터셋의 경우, 에이전트가 마구잡이로 움직이며 방향을 수시로 바꾸는 매우 노이즈 많은 궤적들로 학습했음에도, CompDiffuser는 그 중 일부 구간들을 이어서 원하는 목표까지 도달하는 경로를 합성해냈습니다. 반면 이런 데이터로 학습한 기존 방법들은 목표지점까지 이르는 의미 있는 경로를 찾지 못했습니다.

성능 비교 및 일반화 능력

평가 척도는 성공률(success rate)로, 에이전트 (혹은 목표 객체)가 목표 상태 근처까지 도달하면 성공으로 간주했습니다. 다양한 환경에 대해 CompDiffuser를 아래의 여러 기준의 기존 기법들과 비교했는데, 크게 세 가지 범주가 포함되었습니다:

생성 계획 (Generative Planning): Decision Diffuser (DD)와 Generative Skill Chaining (GSC) 등이 여기에 속합니다. Decision Diffuser는 학습된 diffusion 모델로 전체 경로를 한 번에 샘플링하는 기존 접근으로, monolithic(단일 모델) 계획의 대표입니다. 반면 GSC는 CompDiffuser와 유사하게 부분 궤적을 합성하려는 시도로, 인접 궤적의 score를 평균내며 연결하는 알고리즘을 활용했습니다.
데이터 증강 기반 방법: 이는 Ghugare et al., 2022의 기법 등으로 SA (state augmentation), GA (goal augmentation) 등으로 불립니다. 주어진 짧은 경로 데이터에서 인위적으로 목표를 재설정하거나 중간 상태를 추가하는 식으로 긴 경로 데이터를 증강하여 학습하는 방식입니다. 쉽게 말해, 기존 데이터 조각들을 붙여보는 연습을 시켜 일반화를 꾀하는 방법들입니다.
오프라인 RL: Q-learning 기반(예: QRL, HIQL 등) 오프라인 강화학습 알고리즘들도 비교에 포함되었습니다. 주어진 데이터로 행동가치 함수를 학습하고 목표 지점까지 정책을 도출하는 접근들입니다.

비교 결과, CompDiffuser는 모든 범주의 기존 방법들을 상당히 능가하는 성능을 보였습니다. 특히 환경 규모가 커질수록 그 차이가 두드러졌는데, 예를 들어 가장 복잡한 Giant 미로에서 CompDiffuser는 모든 시도에서 성공한 반면, Decision Diffuser나 데이터 증강 기법들은 중간 지점에서 경로가 무너져 실패하는 경우가 많았습니다. Fig.1 (좌측)에서도 monolithic 확산 플래너(기존 Diffuser)가 미로 중앙에서 경로를 잃고 헤매는(collapses to center) 모습을 보여주는 반면, CompDiffuser(우측)는 길을 끝까지 찾아 나가는 것을 시각적으로 확인할 수 있습니다. 이는 CompDiffuser의 구성적 생성이 작동하여, 학습 시 보지 못한 장거리도 이어붙여 해결해낸 결과입니다. PointMaze Giant 환경에서의 질적 비교에서도, CompDiffuser가 출발지에서 목표지까지 도달하는 다양한 경로들을 내는 반면, DD나 GSC는 장애물을 뚫고 가거나 전혀 다른 곳으로 가버리는 분포 밖(o.o.d.) 궤적을 생성하는 실패 사례가 다수 관찰되었습니다.

GSC와 비교하면, 중간 수준 난이도까지는 유사한 성과를 보이나 복잡도가 증가할수록 CompDiffuser가 월등해졌습니다. GSC는 확산 모델의 score-averaging 방식으로 청크를 잇는데, Giant 환경처럼 요구 세그먼트 수가 많은 경우 점차 불안정해졌습니다. 반면 CompDiffuser는 끝까지 안정적으로 계획을 완성하여 Giant Maze에서도 성공률 100%에 가까운 결과를 달성, 모든 baseline 중 독보적인 성능을 보였습니다. 저자들은 기존 방법들이 자동으로 적절한 겹침 지점을 찾지 못해 실패하는 반면 CompDiffuser는 훈련부터 겹침 구간을 모델링했기에 가능한 차이라고 분석합니다.

또한 AntSoccer (공몰이) 실험에서, CompDiffuser는 두 종류의 행동 궤적을 매끄럽게 연결해 새로운 복합 태스크를 수행함으로써 정성적으로도 뛰어난 결과를 보였습니다. 예를 들어, 기존 데이터에 없었던 “먼 거리의 공으로 달려간 뒤 공을 골대로 드리블” 같은 시나리오를 한 번의 플래닝으로 성공하였습니다. 이러한 기술의 확장성은 로봇이 여러 모듈식 스킬을 배워 필요에 따라 조합 실행하는 미래형 방향과도 맞닿아 있습니다.

추가 분석: 세그먼트 수, 상태 차원, 재계획 등

논문에서는 CompDiffuser의 동작을 더 깊이 이해하기 위해 몇 가지 요인별 실험(ablations)도 수행하였습니다. 먼저, 구성하는 궤적 조각의 개수 K가 성능에 미치는 영향을 보았는데, 너무 적은 세그먼트로 장거리 목표를 커버하려 할 경우 계획이 불가능한 상황이 발생했습니다. 실제로 Giant 미로에서 최소 9개 조각은 필요했는데, 이를 7개 등으로 억지로 줄이면 겹침 구간이 거의 없어져 경로가 벽을 뚫고 가는 등 불가능한 플랜이 나왔습니다. 반대로 필요한 것보다 훨씬 많은 세그먼트를 주면, 목표까지 남은 거리를 채우기 위해 경로가 지그재그로 군더더기 움직임을 보이는 경향이 있었습니다. 따라서 적절한 K를 사용하는 것이 중요하며, 이는 사전에 환경에 따라 대략 결정하거나, 모델이 자동으로 조절하도록 할 여지도 있습니다. 다행히 CompDiffuser는 K만 충분하다면 (약간 많아도) 성공률은 크게 떨어지지 않고, 주로 경로 효율성만 영향받는 것으로 나타났습니다.

계획 상태 차원에 대한 실험에서는, 축약된 상태 공간 vs. 고차원 전체 상태 공간 중 어느 쪽으로 플래닝할지 비교했습니다. 예를 들어 AntSoccer에서 개미 로봇과 공의 x,y 위치만으로 4차원 플래닝을 한 경우와, 개미 관절 각도 등 13개 추가 관절변수를 포함한 17차원 플래닝을 한 경우를 비교했습니다. 그 결과 17D (전체 상태) 플래닝이 약간 더 높은 성공률을 보였습니다. 이는 고차원 입력이 주는 세부정보 – 특히 공을 효과적으로 몰기 위한 관절 움직임 정보 – 가 계획의 미세 조정에 도움을 준 것으로 해석됩니다. 다만 고차원 플래닝은 모델이 고려해야 할 요소가 많아져 연산량 증가 및 학습 난이도 상승 요인이 있으므로, 어떤 상태 표현을 쓸지는 성능과 효율의 트레이드오프라 할 수 있습니다.

재계획 여부도 성능에 중요한 영향을 주는 것으로 나타났습니다. 중간 규모 환경(미로)에서는 한 번 생성한 플랜만으로도 충분히 목표에 도달했고, 재계획을 해도 큰 차이가 없었지만, 가장 복잡한 Giant 미로에서는 재계획 기능을 활용했을 때 성공률이 유의미하게 향상되었습니다. 예컨대, 휴머노이드의 경우 앞서 언급한 대로 종종 경로를 따라가지 못하고 미끄러지는 일이 생겼는데, 이때 즉각적으로 CompDiffuser를 호출해 남은 거리의 새 경로를 만들어주니 결국 목표까지 갈 확률이 크게 높아졌습니다. 이러한 결과는, 오픈루프(open-loop) 계획의 한계를 피드백 보강(경로 수정)으로 극복하는 접근의 필요성을 보여주며, 실제 로봇 적용 시에도 유용한 성질이라 할 수 있습니다.

종합하면, CompDiffuser는 다양한 조건에서 일관되게 높은 성능과 유연성을 시현했습니다. 특히 학습 데이터가 짧은 조각들에 불과해도, 필요한 만큼 조각을 조합함으로써 임의의 거리를 커버할 수 있다는 점이 고무적입니다. 예를 들어 PointMaze Large 환경에서 훈련 시 최대 4 블록 길이의 경로만 봤지만, 테스트 시는 15블록 떨어진 목표에 대해서도 5개의 세그먼트를 이어붙여 충분히 도달했습니다. 이는 데이터 효율성 측면에서, CompDiffuser가 얼마나 강력한 일반화를 보여주는지 단적으로 말해줍니다.

기존 접근법과의 차별점 (Discussion)

CompDiffuser의 접근은 기존 장기계획 기법들과 견주어 몇 가지 뚜렷한 장점을 갖습니다. 첫째, 모델 하나로 모든 부분 궤적을 생성하기 때문에, 과거 연구들처럼 청크 별로 따로 모델을 학습하거나 사전에 스킬 라이브러리를 구축할 필요가 없습니다. 과거 trajectory stitching 관련 연구들은 종종 사전 정의된 접합점이나 서브골 선택 알고리즘에 의존했고, 이는 환경이 달라지면 재설계가 필요하거나 최적의 접합점을 찾기 힘든 문제가 있었습니다. 반면 CompDiffuser는 확산 모델 내에서 자연스럽게 접합을 학습하므로, 사람이 별도로 overlap 지점을 찾지 않아도 됩니다. 둘째, 확산 모델의 multi-modality를 계승하여 다양한 경로 형태를 생성할 수 있습니다. 하나의 시작-목표 쌍에 대해서도 CompDiffuser는 deterministic한 최단경로 하나만 내놓는 것이 아니라, 여러 번 샘플링하면 다양한 형태의 우회 경로들도 얻을 수 있습니다. 이는 로봇에게 여러 대안 경로를 제시하거나, 탐색 공간을 넓게 커버하는 데 유용할 것입니다. 셋째, off-policy 데이터만으로 학습 가능하다는 장점이 있습니다. 강화학습과 달리, CompDiffuser는 리워드 태깅 없이 수집된 궤적도 활용하여 목표지향 플래닝을 학습합니다. 예컨대 실패한 시도나 부분 성공 데이터도 모델 학습에 기여할 수 있고, 이는 오프라인 RL 기법들보다 데이터 활용 범위가 넓다고 할 수 있습니다. 실제로 저자들은 품질 낮은 탐험 데이터로도 CompDiffuser를 학습시켜 상당한 성능을 얻었지만, Q-learning 기반 방법들은 그런 데이터로는 학습이 어려웠음을 지적합니다.

물론 CompDiffuser에도 극복해야 할 한계와 도전 과제가 존재합니다. 우선, 동적인 장애물이나 실시간 변화 상황에 대한 대응은 여전히 어려운 문제로 남아 있습니다. 본 논문은 정적인 목표와 환경에서의 플래닝을 다루었기 때문에, 자동차 주행처럼 움직이는 객체가 있는 환경에서 실시간 재계획을 얼마나 빠르게 할 수 있을지는 추가 연구가 필요합니다. 또한 글로벌 최적 경로를 보장하지는 않기 때문에, 세그먼트 단위 최적화로 인해 전체적으로 우회가 심한 경로가 나올 수 있습니다. 이는 세그먼트로 쪼개 계획할 때 생길 수 있는 근본적 한계인데, 이런 비최적성을 줄이기 위해 후처리 최적화나 cost-to-go 조건 등을 추가하는 방향도 생각해볼 수 있습니다. 마지막으로, 모델 학습을 위한 데이터에 관한 이슈로, 너무 편향된 짧은 경로만 있으면 모델이 일부 구간만 반복 활용하려 들 가능성도 있습니다. 논문에서도 학습 데이터의 coverage가 중요함을 언급하며, 향후에는 데이터 효율을 더 높이는 방법이나 필요 데이터의 구조적 분석 등이 과제로 남음을 시사했습니다.

결론 및 전망 (Conclusion)

CompDiffuser는 확산 모델의 생성력과 전통적 계획의 모듈성을 결합하여, 로봇의 장기 계획 문제에 새로운 해법을 제시하였습니다. “짧은 궤적을 붙여 긴 궤적을 만든다”는 직관적 아이디어를 확산 모델 안에서 구현함으로써, 적은 데이터로도 새로운 환경과 작업에 대응할 수 있는 강력한 일반화 능력을 보여주었습니다. 실험 결과로 보아, CompDiffuser는 기존 모방학습이나 강화학습 기반 플래너들이 실패하는 복잡한 미로도 척척 풀어내었고, 다양한 행동 타입을 유연하게 결합하는 능력까지 선보였습니다. 특히 양방향 이웃 조건부 확산이라는 독창적 방법으로, 부분 경로 간 물리적 부조화를 해소한 점은 향후 유사한 구성적 생성(task composition) 문제들에도 응용될 수 있을 것입니다.

이러한 성과는 로봇학계에 몇 가지 시사점을 제공합니다. 우선, 데이터로부터 직접 학습하는 제너레이티브 모델이 기존 계획 알고리즘과 어깨를 나란히 할 정도로 발전했음을 보여줍니다. 복잡한 문제를 end-to-end 학습하기보다, CompDiffuser처럼 문제 구조를 반영한 학습을 도입하면 적은 데이터로도 뛰어난 결과를 얻을 수 있음을 시사합니다. 둘째, 모듈화와 학습의 결합 가능성을 보여줍니다. 과거에는 모듈식 접근(스킬 라이브러리 등)과 학습기반 접근이 별개로 연구되었으나, 이제 학습된 모듈을 실시간으로 조합하는 형태로 나아갈 수 있음을 확인했습니다. 끝으로, CompDiffuser는 아직 초기 단계의 시도이므로, 향후 실제 로봇 제어에 통합하기 위해 고려해야 할 부분들이 있습니다. 예컨대, 안전한 실시간 재계획, 동적 환경 대응, 3D 공간의 경로계획 등에 본 개념을 확장하려면 추가 연구가 필요합니다. 또한 전역 최적화와 계획 품질 보장 측면에서도 보완 연구가 이루어진다면, CompDiffuser의 접근이 실무에서 더욱 신뢰받을 수 있을 것입니다.

요약하면, Generative Trajectory Stitching이라는 개념은 로봇 모션 플래닝의 새로운 지평을 열고 있습니다. CompDiffuser는 그 가능성을 강렬하게 입증한 예로서, 앞으로 확산 모델을 활용한 로봇 계획 분야의 활발한 연구를 촉발할 것으로 기대됩니다. 로봇이 과거의 움직임 조각들을 자유자재로 리믹스하여 새로운 도전에 대응하는 모습은, 더 이상 먼 미래의 이야기가 아닙니다. CompDiffuser를 계기로, 생성적 AI와 고전적 로봇제어의 만남이 어떤 시너지를 낼지 지켜볼 만한 시점입니다.