Mixed-Density Diffuser：非一様な時間解像度による効率的な計画

要旨: 近年の研究では、拡散プランナーが単一ステップの計画よりも疎なステップ数による計画（sparse-step planning）の恩恵を受けることが示されている。軌道内でステップをスキップするようにモデルを学習させることで、追加のメモリや計算コストをかけずに長期依存関係を捉えることができる。しかし、過度に疎な計画の予測は性能を低下させる。私たちは、この時間的な密度のしきい値が計画ホライズン全体で一様ではなく、予測された軌道の特定の部分はより密に生成されるべきだという仮説を立てる。私たちは、ホライズン全体における密度を調整可能なハイパーパラメータとする拡散プランナーである Mixed-Density Diffuser（MDD）を提案する。MDD は、Deep Data-Driven 強化学習（D4RL）のタスク領域における Maze2D、Franka Kitchen、Antmaze の各データセットで、最先端（SOTA）の Diffusion Veteran（DV）フレームワークを上回り、D4RL ベンチマークにおいて新たな SOTA を達成することを示す。