无需训练的基于扩散的规划与解析局部得分

arXiv:2610.01959v1 发布类型：cross 摘要：路径寻找和多机器人运动规划需要在具有复杂几何约束的环境中生成平滑、指向目标且无碰撞的轨迹。近年来，基于扩散的规划器表明，轨迹生成可以被表述为迭代去噪过程，这为能够处理多模态轨迹分布并优化完整轨迹的学习型方法打开了大门。然而，一个关键局限在于，扩散规划器需要在大量可行轨迹集合上进行训练，这使其依赖特定地图，并且在缺乏高质量示范数据时难以部署。本文提出了一种无需训练的基于扩散的运动规划器，以从障碍物、平滑性、速度和智能体间可行性等项中推导出的解析局部得分，替代学习得到的全局轨迹得分。该方法依赖于一个关键观察：通过仅考虑相邻路径点之间以及附近约束之间的局部交互关系，即可重构轨迹得分。对这一结构的利用产生了一种分解式去噪过程，在保留经典轨迹方法优化结构的同时，继承了扩散模型的迭代优化特性。在大量复杂环境和大规模多智能体规划任务上的实验表明，所提出的解析得分能够以有限的计算成本生成平滑且可行的轨迹。例如，在包含100多个障碍物的环境中，该方法可在GPU上用不到6秒的时间为300多个智能体生成可行路径；与强大的学习型方法和优化基线相比，其性能更优，同时避免了学习型扩散规划器对数据的需求。