Constraint-Aware Diffusion Models for Trajectory Optimization

扩散模型已经在生成轨迹优化问题的高质量和多样化解决方案方面取得了成功。然而，带有神经网络的扩散模型不可避免地会产生预测误差，导致约束违规，例如未达成目标或碰撞。本文提出了一种新颖的约束感知扩散模型，用于轨迹优化。我们引入了一种新颖的混合损失函数进行训练，该函数将扩散样本的约束违规与基准数据进行比较，同时恢复原始数据分布。我们的模型在桌面操作和双车到达避免问题上进行了演示，优于传统的扩散模型，可以最小化约束违规，同时生成接近局部最优解的样本。

本论文旨在解决扩散模型中的神经网络预测误差导致的约束违规问题，提出了一种新的约束感知扩散模型，用于轨迹优化问题。

论文提出了一种新的混合损失函数，用于训练扩散模型，旨在最小化扩散样本与真实值之间的约束违规，并恢复原始数据分布。

论文在桌面操作和两车避障问题上进行了演示，表明新模型在最小化约束违规的同时，生成接近局部最优解的样本，优于传统扩散模型。

最近的相关研究包括基于模型预测控制的轨迹优化方法，以及使用深度学习进行轨迹优化的研究，例如“Learning to Navigate in Cities Without a Map”和“End-to-end Driving via Conditional Imitation Learning”。