通过对齐采样动力学与执行动力学实现安全流式规划

arXiv:2610.03132v1 公告类型：cross 摘要：基于扩散/流匹配的生成式规划器能够从演示数据中学习合成长时域轨迹。然而，现实世界的部署要求：（i）在执行过程中施加安全约束；（ii）以较快的执行速率进行紧密的在线重规划。现有的安全扩散/流规划器一次性生成智能体的完整轨迹，同时反复扰动中间状态以满足安全约束。这种方法不仅计算开销大，而且还会引入分布偏移，因为学习到的采样动力学与系统的执行动力学并不一致。我们提出了 SafeStreamingFlow，这是一种目标条件规划器，通过将学习到的状态向量场与分层状态预测进行顺序积分，使流采样动力学与执行动力学保持一致。重要的是，我们只需通过高阶控制屏障函数对实际执行的步骤施加安全约束。在导航、竞速和运动能力基准测试中，与现有方法相比，SafeStreamingFlow 降低了规划延迟并提升了安全性，同时保持了具有竞争力的目标到达成功率。