核心观点 - 蒙特卡洛树扩散（MCTD）通过结合蒙特卡洛树搜索（MCTS）和扩散模型，解决了扩散模型在长程任务推理中缺乏可扩展性的问题，并在迷宫导航、机械臂操作等任务中表现优异，通关率高达100% [3][4][17] - Fast-MCTD通过并行MCTD和稀疏MCTD技术，将推理速度提升100倍，同时保持高性能，成为更实用的解决方案 [25][36][40] 方法创新 - **MCTD的核心机制**： - 将轨迹划分为独立子规划（如N=500划分为5个子轨迹），实现异步去噪控制 [9][11][12] - 通过MCTS的四个阶段（Selection/Expansion/Simulation/Backpropagation）动态平衡探索与利用，提升长程规划效率 [8][18] - **Fast-MCTD的优化技术**： - 并行MCTD：引入冗余感知选择（RAS）和批处理去噪，支持K个并发rollouts，提升GPU并行效率 [30][31][34] - 稀疏MCTD：通过轨迹粗化（下采样H步）减少子规划数量，降低搜索复杂度 [35] 实验结果 - **性能表现**： - 迷宫导航：MCTD在medium/large/giant地图中接近100%成功率，显著优于Diffuser等基线 [17] - 机械臂操作：MCTD-Replanning在双方块任务中将成功率从22%提升至50%，Fast-MCTD进一步将规划时间从38.8秒缩短至5.9秒 [19][39] - 视觉迷宫：Fast-MCTD比MCTD快25-60倍，且在更大迷宫中性能更优 [39] - **效率提升**：Fast-MCTD在特定任务中实现80-110倍加速，性能损失极小 [36][40] 研究背景 - 论文由KAIST博士生尹在植主导，指导老师安成镇（Sungjin Ahn）为贝叶斯推理与深度学习专家，曾师从Yoshua Bengio [41][43] - 相关论文入选ICML 2025 Spotlight，开源代码及学术主页已公开 [4][45]