CGD：基于约束引导的扩散策略用于无人机轨迹规划

传统的基于优化的规划器虽然有效，但 suffer from 高计算成本，导致轨迹生成缓慢。减少计算时间的成功策略是使用模仿学习（IL）开发快速的神经网络（NN）策略，这些规划器被用作专家示范者。虽然所得的NN策略能够快速生成类似于专家的轨迹，但（1）其输出未显式地考虑动态可行性，（2）这些策略无法容纳与训练期间使用的约束不同的约束变化。为克服这些限制，我们提出了约束引导扩散（CGD），这是一种新的IL方法用于轨迹规划。CGD利用一种混合学习/在线优化方案，将扩散策略与一个高效的替代优化问题结合，实现碰撞-free、动态可行的轨迹生成。CGD的关键思想包括将专家所求解的原始困难优化问题分为两个更易管理的子问题：（a）高效寻找碰撞-free路径，（b）确定这些路径的动态可行时间参数化，以获得轨迹。与传统神经网络架构相比，我们通过数值评估表明，在从未遇到过的新约束情景下，CGD在性能和动态可行性方面显著优于常规方法。