LDP: A Local Diffusion Planner for Efficient Robot Navigation and Collision Avoidance

条件扩散模型已被证明是学习机器人策略的有效工具，因为它能够准确地建模策略的条件分布。现实世界场景的复杂性，如动态障碍和迷宫般的结构，突显了机器人局部导航决策作为条件分布问题的复杂性。然而，利用扩散模型进行机器人局部导航并不容易，并且遇到了几个未被充分探索的挑战：（1）数据紧急性。局部导航中的复杂条件分布需要训练数据包括不同真实世界场景中的各种策略；（2）近视观察。由于感知场景的多样性，基于机器人局部视角的扩散决策可能对完成整个任务不利，因为它们通常缺乏远见。在某些需要绕路的情况下，机器人可能会被困住。为了解决这些问题，我们的方法首先探索了一种多样化的数据生成机制，通过综合全局-局部洞察力进行目标选择，涵盖了展现不同偏好的多个代理。然后，基于这种多样化的训练数据，获得了一个扩散代理，能够在不同场景中实现出色的避碰。随后，我们通过轻量级地融合全局观察，增强了我们的局部扩散规划器（也称为LDP）。这种增强扩展了LDP的观察范围，有效地减轻了陷入局部最优解的风险，并促进了更加稳健的导航决策。

本文旨在解决机器人在复杂环境中的局部导航决策问题，针对数据紧急性和局部视角不足等挑战提出解决方案。

本文提出了一种基于条件扩散模型的机器人局部导航方法，通过多智能体数据生成机制和轻量级的全局信息融合，解决了数据紧急性和局部视角不足的问题。

本文的方法在多智能体数据生成和全局信息融合方面具有创新性，实验结果表明该方法在复杂场景中具有出色的避障能力。论文未公开代码，但提供了数据集。

相关研究包括但不限于：基于深度学习的机器人导航方法、基于强化学习的机器人导航方法等。