.png){kind=icon}
返回
Coupled-Layer Diffusion for Kinodynamic Trajectory Generation
.png){kind=icon}
PRE
AI
DOI：10.1109/LRA.2026.3682615.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
扩散模型因能捕捉多模态行为而适用于轨迹生成任务，但其封闭式特性和无约束去噪常影响运动动力学可行性。我们提出一种新型耦合层扩散模型（CLDM），通过显式嵌入运动动力学模型，强化先验知识整合并提升轨迹生成性能。CLDM引入两条耦合路径，实现更可解释、高效且结构良好的信息流。层内耦合路径跨越耦合去噪层，显式嵌入先验运动动力学信息以促进去噪阶段的信息传递，该改进提升了生成轨迹的质量，尤其在运动动力学可行性方面。同时，层间预测器耦合路径连接噪声预测器，有助于耦合状态与控制信息，促进梯度传播并提高训练效率。通过引入运动动力学先验，我们进一步实现更确定的初始噪声分布和更符合运动动力学可行性的重构步骤。全面的对比仿真和实际验证表明，该方法收敛更快且生成质量更优，尤其是生成的轨迹具备更优的可行性，优于基线方法。
Keyword:
Diffusion models
trajectory generation
kinodynamic feasibility
期刊
I
IF:
5.3
论文数:
1.7K
被引数:
3.9W
机构
引用论文
A Survey on Machine-Learning Techniques for UAV-Based Communications基于无人机通信的机器学习技术综述.png)
SENSORS
OAAI
SENSORSIF3.5
OAAI分享收藏You only plan once: a learning-based one-stage planner with guidance learning只规划一次：一种基于学习的一阶段规划器，具有引导学习
IF0
PREAI
分享收藏
查看更多内容