DTG : Diffusion-based Trajectory Generation for Mapless Global Navigation

我们提出了一种新颖的端到端扩散轨迹生成方法DTG，用于在具有遮挡和非结构化离路特征（如草地、建筑物、灌木丛等）的具有挑战性的户外场景中进行无地图全局导航。给定一个远距离的目标，我们的方法计算一条轨迹，满足以下目标：（1）最小化到达目标的行程距离；（2）通过选择不位于不良区域的路径来最大化可通过性。具体而言，我们提出了一种新颖的条件RNN（CRNN）用于扩散模型，以有效地生成轨迹。此外，我们提出了一种自适应训练方法，确保扩散模型生成更具可通过性的轨迹。我们在各种户外场景中评估了我们的方法，并在Husky机器人上与其他全局导航算法的性能进行了比较。在实践中，我们观察到行程距离至少提高了15％，可通过性提高了约7％。

本文旨在解决在具有遮挡和非结构化区域的挑战性户外场景中进行无地图全局导航的问题。

本文提出了一种全新的端到端扩散轨迹生成方法DTG，通过条件循环神经网络(CRNN)来生成更可行的轨迹，同时提出了一种自适应训练方法以确保生成更可行的轨迹。

本文在各种户外场景中评估了DTG方法的性能，并与其他全局导航算法进行了比较。实验结果表明，DTG方法在行驶距离和通行能力方面均有明显的提高。

在这个领域中，最近的相关研究包括：1. Mapless Navigation with Visual Localization and Adaptive Domain Randomization；2. Real-time Global Path Planning for Autonomous Vehicles in Unknown Environments Using Multi-objective Optimization；3. An Autonomous Robot Navigation System Based on Deep Reinforcement Learning with Human Guidance。