提出了一种基于条件变分自编码器的方法，通过学习演示数据中的采样分布，使用非均匀采样来加速规划过程并显著提高成功率和最优成本收敛速度，同时保持了采样策略理论保证的特性。
Sep, 2017
本文通过扩展动力学模型，利用扩散概率模型去掉了传统轨迹优化方法的瓶颈，将采样和计划步骤近乎完全融合，通过分类器和图像插值获得了在线规划策略，并在长期决策和测试时间灵活性强的控制环境中成功应用了该框架。
May, 2022
本文介绍了将深度生成建模与任务规划相结合的方法，以解决在未知环境中的自主机器人操作规划中运用传统TAMP方法中存在的问题。通过使用扩散模型学习约束条件和采样器，并将其与TAMP求解器组合使用以满足计划中的约束条件。同时，为了在这些约束条件满足不确定物体状态的情况下进行预测，在学习的低维潜在空间中定义这些采样器。实验结果中介绍了使用传统TAMP，生成式学习和潜在嵌入组合的长程约束条件推理方法在一个物体操作环境中的有效性。
Jun, 2023
DiffusionES通过组合无梯度优化和轨迹去噪的方法，在数据流形内优化黑盒不可微目标，达到了先进的自主驾驶规划性能，并能优化非可微的语言形状奖励函数，生成复杂行为并解决现有轨迹优化方法和驾驶策略无法应对的场景。
Feb, 2024
扩散模型是强大且通用的生成式人工智能技术，在计算机视觉、音频、强化学习和计算生物学等领域取得了巨大的成功。本文回顾了扩散模型的新兴应用，理解了它们在各种控制下的样本生成。同时，我们概述了现有的扩散模型理论，涵盖了它们的统计性质和采样能力。进一步地，我们评述了通过条件扩散模型进行高维结构化优化的新途径，将解决方案的搜索重新定义为条件采样问题，并通过扩散模型进行求解。最后，我们讨论了扩散模型的未来发展方向。本文旨在为刺激前瞻性的扩散模型理论和方法提供全面的理论介绍。
Apr, 2024
我们提出了一种基于扩散的、可加速的框架，能够高效地预测代理的未来轨迹，具有对噪声的高抗干扰性，并满足自动驾驶车辆所需的严格实时操作标准。
May, 2024
无需数据的情况下通过扩散过程解决轨迹优化问题的模型驱动扩散（MBD）方法优于强化学习和基于采样的轨迹优化方法，且能与数据集集成。
基于条件扩散模型，本研究探索了多样化的数据生成机制以及全局-局部信息的集成，以解决机器人本地导航中的挑战，如数据紧迫性和近视观察。通过该方法，实现了在各种场景中出色的避碰能力和更健壮的导航决策。
Jul, 2024
本研究解决了多机器人运动规划中的高样本复杂性和碰撞约束问题。提出了一种新的算法，名为多机器人多模型规划扩散（MMD），该算法结合了学习的扩散模型和经典的搜索技术，仅使用单机器人数据生成符合数据分布的无碰撞轨迹。实验表明，该方法能有效规划多个机器人在复杂环境中的运动，具有重要的应用潜力。
Oct, 2024
本研究解决了现有扩散政策在性能与行动时间范围之间的权衡问题，提出了一种新颖的潜在权重扩散方法（LWD），通过在潜在空间中学习策略分布，以生成更小的策略网络并减少推理查询。实验表明，在Metaworld MT10基准上，LWD在实现更高成功率的同时，推理模型规模可减少约18倍，且在较长行动时间范围内表现优于传统扩散政策。