Generative Trajectory Stitching through Diffusion Composition

作者: Yunhao Luo, Utkarsh A. Mishra, Yilun Du, Danfei Xu

发布时间: 2025-03-10

来源: arxiv

研究方向: 机器人规划与决策、生成模型

主要内容

本文提出了一种名为CompDiffuser的新型生成方法，用于解决机器人决策中的长时规划问题。该方法通过学习将先前任务中的较短轨迹段组合起来，以解决新任务。它通过将轨迹分布细分为重叠块并学习它们的条件关系，通过单双向扩散模型来建模轨迹分布，从而确保生成过程中段之间的物理一致性。

1. 提出了一种基于扩散模型的噪声样本条件化规划框架，通过将轨迹生成过程分解为一系列由单独的扩散去噪过程生成的段来学习组合轨迹分布。

2. 提出了一种组合式目标条件轨迹规划方法，使用去噪过程中的双向信息传播来保持轨迹块之间的物理一致性。

3. 提供了一系列实证结果，表明在多个轨迹拼接基准测试中，该方法与现有方法相比具有显著的改进，并对模型的能力和局限性进行了详细分析。

1. 扩散模型

2. 组合式生成模型

3. 噪声样本条件化

4. 双向信息传播

5. 轨迹拼接

6. 并行采样

7. 自回归采样

在多个基准测试中，CompDiffuser在各种难度水平的环境下都显著优于现有的模仿学习和离线强化学习方法。实验结果表明，该方法可以有效解决长时任务，同时保持计划可行性和目标导向行为。

未来工作将探索如何自动识别合适的块数，可能通过根据生成计划的品质递增块数。此外，研究将集中在如何减少错误积累、提高模型在复杂环境中的性能，以及探索更有效的轨迹拼接方法。