Jun, 2024

约束感知扩散模型的轨迹优化

PDF
TL;DR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。
diffusion modeltrajectory optimizationconstraint-aware diffusion modelhybrid loss functionconstraint violations
发现论文，激发创造
  • 高效且保证安全的非凸轨迹优化与约束扩散模型

    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

  • 基于扩散的环境感知轨迹预测

    基于扩散的生成模型用于多智能体轨迹预测，具有学习数据多样性、提高预测准确性和应对不确定交通状况的实用性。

    Mar, 2024

  • 基于约束采样优化的扩散模型

    我们提出了使用扩散模型在数据流形上进行优化的方法，以解决具有未知约束的实际优化问题。通过在 Boltzmann 分布和扩散模型学习的数据分布之间进行采样，我们将原始优化问题转化为采样问题，以限制优化过程在数据流形上进行。通过在初始阶段聚焦在可行解上获得分布，我们的方法在综合实验中展现了与现有的最先进基准方法相当或更好的性能。

    Feb, 2024

  • 利用扩散计划实现灵活的行为合成

    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

  • CGD：无人机轨迹规划的约束引导扩散策略

    使用约束引导扩散（CGD）的混合学习 / 在线优化方案，将传统以优化为基础的规划器与模仿学习相结合，生成无碰撞、动态可行的轨迹，以解决计算成本高、动态可行性不明确和适应新约束的问题。

    May, 2024

  • 基于图形的轨迹预测的差分约束运动模型评估

    研究了在自动驾驶中，配合基于图神经网络的支持物理运动模型的数据驱动方法的表现，结果表明，相比于动力学模型，更简单的低阶积分器模型更具优势，并且更高阶的数值求解器可以显著提高预测准确性。

    Apr, 2023

  • 运动规划扩散：使用扩散模型学习和规划机器人动作

    学习轨迹分布的先验信息可以帮助加速机器人运动规划优化，本工作提出了学习扩散模型作为先验信息的方法，并通过扩散模型的逆去噪过程在任务目标条件下直接从后验轨迹分布中进行采样，实验证明扩散模型是编码高维机器人运动轨迹分布的强先验。

    Aug, 2023

  • ControTraj：带有拓扑约束的可控轨迹生成

    通过使用拓扑约束扩散模型的可控轨迹生成框架 ControlTraj，该研究提出了一种生成高度保真轨迹的方法，并整合了道路网络拓扑的结构约束，以指导地理结果。

    Apr, 2024

  • DICE: 用于轨迹预测的多样化扩散模型与评分

    在动态环境中，道路用户轨迹预测是一个具有挑战性但十分关键的任务，特别适用于自动驾驶等各种应用。本研究提出了一种新的框架，以计算高效的方式利用扩散模型来预测未来的轨迹。我们展示了该方法在常见的行人和自动驾驶基准数据集上取得了最先进的性能。

    Oct, 2023

  • 面向意图的去噪扩散模型的轨迹预测

    使用散射模型生成多个合理的未来轨迹分布，通过解决时间消耗和意图不确定性的问题，能够提高推理速度并实现更少的扩散步骤。

    Mar, 2024