Denoising Multi-Robot Trajectories
作者: Yuhao Zhang, Keisuke Okumura, Ajay Shankar, Amanda Prorok
分类: cs.RO, cs.MA
发布日期: 2026-09-28
备注: Accepted to IEEE Transactions on Robotics (T-RO)
🔗 代码/项目: GITHUB
💡 一句话要点
提出D4orm框架以解决多机器人轨迹规划问题
🎯 匹配领域: 支柱九：具身大模型 (Embodied Foundation Models)
关键词: 多机器人协调 轨迹规划 扩散去噪 动态感知 采样优化 高效计算 实时控制
📋 核心要点
- 多机器人轨迹规划面临非凸性和高维性等计算挑战，现有方法效率低下。
- 本研究提出D4orm框架，利用采样优化和扩散去噪技术生成高质量轨迹。
- 实验结果显示，D4orm在多种环境中表现优越，显著提升了规划速度和可靠性。
📝 摘要（中文）
多机器人轨迹规划是多机器人协调中的基本问题，但由于其非凸性、多模态性和高维特性，计算上仍然具有挑战性。本研究基于D4orm，一个动态感知的扩散去噪框架，开发了一系列规划架构以满足不同的操作需求。与传统的数值优化方法不同，D4orm采用基于采样的优化，通过大规模并行采样生成解决轨迹，利用现代计算架构如GPU。其扩散去噪结构通过迭代优化候选控制轨迹的变形，提供了一种高效且灵活的生成运动动力学可行和无冲突轨迹的范式。通过D4orm作为高级规划器的基础，本文提出了一个解耦规划器以提高可扩展性，一个带反馈控制的在线回退规划器，以及一个适用于资源受限环境的分布式规划器。实验表明，基于D4orm的方法在2D和3D环境中比其他采样优化方法更快、更可靠地找到高质量解决方案。
🔬 方法详解
问题定义：本论文旨在解决多机器人轨迹规划中的计算复杂性问题，现有方法在处理非凸和高维问题时效率低下，难以满足实时需求。
核心思路：论文提出D4orm框架，采用动态感知的扩散去噪技术，通过大规模并行采样生成解决轨迹，克服传统数值优化方法的局限性。
技术框架：D4orm框架包括多个模块：首先是采样模块，通过GPU实现大规模并行采样；其次是扩散去噪模块，迭代优化候选轨迹的变形；最后是规划模块，结合反馈控制和资源管理实现高效规划。
关键创新：D4orm的核心创新在于其扩散去噪结构和采样优化策略，使得轨迹生成过程更为高效和灵活，能够处理复杂的多机器人协调问题。
关键设计：在设计中，D4orm使用了特定的损失函数来优化轨迹的运动动力学可行性，并通过参数调节实现对不同环境的适应性。
🖼️ 关键图片
📊 实验亮点
实验结果显示，基于D4orm的方法在2D和3D环境中找到高质量解决方案的速度比其他采样优化方法快，且可靠性更高。具体而言，D4orm在处理100个模拟机器人时表现出色，实现了零次部署和大规模去冲突，显著提升了多机器人协调的效率。
🎯 应用场景
该研究的潜在应用领域包括无人机编队、自动驾驶车辆协调以及工业机器人协作等。通过提高多机器人系统的轨迹规划效率，能够在复杂环境中实现更高效的任务执行，具有重要的实际价值和广泛的应用前景。
📄 摘要（原文）
Multi-robot trajectory planning is a fundamental problem in multi-robot coordination but remains computationally challenging due to its nonconvex, multimodal, and high-dimensional nature. This work builds upon D4orm, a dynamics-aware diffusion-denoising framework, and develops a family of planning architectures for diverse operational requirements. Unlike conventional numerical optimization methods, D4orm employs sampling-based optimization to generate solution trajectories through massively parallel sampling, leveraging modern computing architectures such as GPUs. Its diffusion-denoising structure iteratively optimizes \textit{deformations} to candidate control trajectories, providing an efficient and versatile paradigm for generating kinodynamically feasible and conflict-free trajectories. Using D4orm as the building block for advanced planners, we present a decoupled planner for improved scalability, an online receding-horizon planner with feedback control, and a distributed planner for resource-constrained settings. Evaluations with differential-drive and holonomic robots in 2D and 3D environments demonstrate that D4orm-based approaches find high-quality solutions faster and more reliably than other sampling-based optimization methods, such as MPPI, as well as a learned diffusion-model-based method. We further demonstrate zero-shot deployment on ten real quadrotors with obstacles, large-scale deconfliction with 100 simulated robots, and fully onboard distributed `lifelong' operation with six ground robots. Overall, these results establish diffusion denoising as a scalable and reliable framework for multi-robot coordination. Code and video: https://github.com/proroklab/d4orm