Training-Free Diffusion Planning with Analytical Local Scores
作者: Michael Y. Fatemi, Jinhao Liang, Ferdinando Fioretto
分类: cs.RO, cs.LG
发布日期: 2026-10-01
备注: preprint - under review
💡 一句话要点
提出无训练扩散规划方法以解决多机器人路径规划问题
🎯 匹配领域: 支柱一：机器人控制 (Robot Control)
关键词: 扩散规划 多机器人系统 路径规划 无训练方法 局部评分 运动规划 实时优化
📋 核心要点
- 现有的扩散规划器需要在大量可行轨迹上进行训练，导致其特定于地图且难以在缺乏高质量示例时部署。
- 本文提出了一种无训练的扩散基础运动规划器，通过分析局部评分来替代学习的全局轨迹评分，利用局部交互重建轨迹评分。
- 实验结果显示，该方法在复杂环境和多代理规划任务中表现优异，能够在6秒内为300+个代理生成可行路径，超越现有基线。
📝 摘要（中文）
路径寻找和多机器人运动规划需要在复杂几何约束环境中生成平滑、目标导向且无碰撞的轨迹。近期的扩散基础规划器表明，轨迹生成可以视为迭代去噪，这为处理多模态轨迹分布和优化整个轨迹的学习方法开辟了新途径。然而，现有的扩散规划器需要在大量可行轨迹上进行训练，使其特定于地图且在高质量示例缺乏时难以部署。本文提出了一种无训练的扩散基础运动规划器，用分析局部评分替代学习的全局轨迹评分，分析评分来源于障碍物、平滑性、速度和代理间可行性等项。该方法依赖于一个关键观察：轨迹的评分可以通过考虑相邻路径点和附近约束之间的局部交互来重建。实验表明，该分析评分在有限计算成本下生成平滑且可行的轨迹，优于强学习基础和优化基线。
🔬 方法详解
问题定义：本文旨在解决多机器人运动规划中的路径生成问题，现有方法依赖于大量训练数据，导致在缺乏高质量示例时难以应用。
核心思路：提出了一种无训练的扩散基础运动规划器，通过局部评分来替代全局评分，利用局部交互信息重建轨迹评分，从而避免了对大量数据的依赖。
技术框架：整体架构包括局部评分计算模块、轨迹生成模块和去噪优化模块。局部评分模块分析障碍物、平滑性和速度等因素，生成局部评分以指导轨迹优化。
关键创新：最重要的创新在于引入了分析局部评分的概念，通过局部交互来重建轨迹评分，保留了经典轨迹方法的优化结构，同时继承了扩散模型的迭代优化特性。
关键设计：在设计中，局部评分的计算考虑了相邻路径点之间的关系，优化过程中采用了经典的去噪算法，确保了生成轨迹的平滑性和可行性。
🖼️ 关键图片
📊 实验亮点
实验结果表明，所提出的方法在复杂环境中能够在6秒内为300+个代理生成可行路径，且在100+障碍物的环境中表现优于强学习基础和优化基线，显示出显著的性能提升。
🎯 应用场景
该研究在多机器人系统、自动驾驶、无人机编队等领域具有广泛的应用潜力。通过提供一种无需训练的高效路径规划方法，可以在动态和复杂环境中实现实时的多机器人协作，提升任务执行的灵活性和效率。
📄 摘要（原文）
Path finding and multi-robot motion planning require trajectories that are smooth, goal-directed, and collision-free in environments with complex geometric constraints. Recent diffusion-based planners have shown that trajectory generation can be cast as iterative denoising which has opened the doors to learning-based approaches that can handle multi-modal trajectory distributions and refine entire trajectories. However, a key limitation is that diffusion planners require training on large collections of feasible trajectories, rendering them map-specific, and difficult to deploy when high-quality demonstrations are unavailable. This paper introduces a training-free diffusion-based motion planner that replaces learned global trajectory scores with analytical local scores derived from obstacle, smoothness, velocity, and inter-agent feasibility terms. The proposed idea relies on a key observation: the score of a trajectory can be reconstructed by considering only local interactions between neighboring waypoints and nearby constraints. This structure exploitation yields a decomposed denoising procedure that retains the optimization structure of classical trajectory methods while inheriting the iterative refinement behavior of diffusion models. Experiments on a large collection of complex environments and large multi-agent planning tasks show that the proposed analytical score produces smooth and feasible trajectories within limited computational costs, for example in generating feasible paths for 300+ agents in environments containing 100+ obstacles in under 6 seconds on a GPU, outperforming strong learning-based and optimization baselines, while avoiding the data requirements of learned diffusion planners.