基于扩散模型的轨迹优化问题传统上使用神经网络生成高质量且多样化的解决方案，本文提出了一种新颖的考虑约束的扩散模型用于轨迹优化，引入了一种新颖的混合损失函数进行训练，能够最小化扩散样本与真实数据之间的约束违规问题，同时恢复原始数据分布，实验证明在桌面操纵和双车回避问题上，该模型在最小化约束违规和生成接近局部最优解的样本方面优于传统扩散模型。

Jun, 2024

本研究提出了约束引导梯度下降 (CGGD) 框架，使得域知识可以注入到神经网络的训练过程中，其中域知识被假定为一组硬不等式约束的连词，相比于其他神经符号方法，该方法使得模型收敛并满足数据集上的任何不等式约束，同时不需要事先将约束转换为某个特定项添加到学习目标中。经实验证明，与先前的工作相比，CGGD 使得训练不再依赖网络的初始化，并提高了所有数据的约束可满足性。

Jun, 2022

本文提出了一个结合扩散模型和数值求解器的通用且可完全并行化的框架，用于非凸轨迹优化，以确保计算效率和约束满足性。通过引入一种新的受约束扩散模型，并在训练过程中引入附加的约束违反损失来近似局部最优解的分布并减小约束违反情况，得到的样本用作数值求解器的初始猜测，经过形式验证后细化和得出最终解。通过在不同机器人领域上进行实验评估，验证了我们提出的方法在改善约束满足性和计算效率方面的优势，使用我们的方法加速了 4 倍到 22 倍，适用于不同的轨迹优化问题并能很好地适应问题的复杂性。

Feb, 2024

通过加强学习，本研究引入了一种新颖的图扩散策略优化（GDPO）方法，通过针对任意（例如，非可微分）目标优化图扩散模型，用于药物设计等领域的图生成，实验结果表明 GDPO 在具有复杂和多样目标的各种图生成任务中实现了最先进的性能。

Feb, 2024

本文介绍了一种基于条件扩散模型的可控交通生成技术，利用扩散建模和可微分逻辑为实现交通规则生成提供了理论基础，并在 nuScenes 数据集上得到了验证。

Oct, 2022

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

智慧城市应用中的智能城市机器人行为连续目标动作演化算法及粒子群优化方法的研究

Feb, 2024

机器人学习在陌生环境中导航需要提供任务导向导航和任务无关探索的策略。本文介绍了如何训练一个统一的扩散策略来处理目标导向导航和目标无关探索，证明了该统一策略在导航到视觉指示目标时相比于其他方法具有更好的性能和更低的碰撞率。

Oct, 2023

本文提出了基于物理学的指导，通过优化预测模型的性能指标来生成图像，并在 Stable Diffusion 中添加了阻力引导，以生成具有最小预测阻力系数的新型车辆图像。

Jun, 2023

基于部分可观测性的 2D 和 3D 路径规划中，我们提出了一种多功能的基于扩散的方法，通过增加计划预测和状态估计，以及最佳计划选择策略和点云映射技术，优于传统自回归和基于扩散的方法，并实现从 2D 到 3D 的零 - shot 转移。

Apr, 2024