งานวิจัยนี้เปิดตัว HDFlow (Hierarchical Diffusion-Flow) ซึ่งเป็นแนวทางการวางแผนแบบลำดับชั้น (Hierarchical Planning) เพื่อจัดการกับงานที่ต้องอาศัยการตัดสินใจต่อเนื่องยาวนาน (Long-horizon tasks) และมีรางวัลตอบแทนที่เบาบาง (Sparse reward) ซึ่งมักเป็นอุปสรรคใหญ่ในวงการหุ่นยนต์ โดยระบบนี้ทำงานในสองระดับที่สอดประสานกัน
ในระดับสูง (High-level) HDFlow ใช้ Diffusion Planner เพื่อสร้างลำดับของเป้าหมายย่อย (Strategic subgoals) ในพื้นที่แฝง (Latent space) ซึ่งช่วยให้หุ่นยนต์มีความสามารถในการสำรวจและวางแผนกลยุทธ์ได้ดี จากนั้นในระดับล่าง (Low-level) จะใช้ Rectified Flow Planner เพื่อสร้างเส้นทางการเคลื่อนที่ที่ราบรื่นและหนาแน่น โดยอาศัยความเร็วและประสิทธิภาพของการคำนวณแบบ ODE-based ทำให้แก้ปัญหาเรื่องความหน่วงในการประมวลผลแบบเรียลไทม์ได้ดีกว่าโมเดลแบบเดิม
จากการทดสอบในภารกิจประกอบเฟอร์นิเจอร์ทั้งในแบบจำลองและโลกจริง พบว่า HDFlow ให้ประสิทธิภาพที่สูงกว่าวิธีการเดิมอย่างชัดเจน นอกจากนี้ยังแสดงให้เห็นถึงความสามารถในการปรับใช้กับภารกิจที่หลากหลาย ทั้งงานด้านการเคลื่อนที่ (Locomotion) และการหยิบจับวัตถุ (Manipulation)
