学习求解组合几何路径规划问题
人工智能
2026-05-19 v1
摘要
我们研究了组合几何路径规划问题（CGRP），它是传统路径规划问题的统一超类，涵盖仅点、仅线、仅面以及任意混合任务几何，为现实世界的路径规划场景提供了广泛的抽象。超越标准的基于点的路径规划，具有非点任务的 CGRP 本质上可以是不对称的，将旅行路线与内在路径紧密耦合，并因大量可行但往往不相关的选项而扩大了动作空间，从而对表示学习和决策均构成了重大挑战。为应对这些挑战，我们提出了 DiCon，一种由差分注意力辅助并采用对比学习的求解器，作为即插即用框架从两个互补角度解决该问题。首先，我们引入了一种差分注意力机制，主动抑制竞争力较弱的候选动作上的概率质量。其次，我们设计了双层对比学习目标，以促进稳健的全局实例表示并对几何感知任务表示进行正则化。大量实验表明，DiCon 在具有不同组合的多样化 CGRP 实例上实现了强劲的性能、广泛的通用性和卓越的泛化能力。
引用
@article{arxiv.2605.18094,
title = {Learning to Solve Compositional Geometry Routing Problems},
author = {Mingfeng Fan and Jianan Zhou and Jiaqi Cheng and Yifeng Zhang and Jie Zhang and Guillaume Adrien Sartoretti},
journal= {arXiv preprint arXiv:2605.18094},
year = {2026}
}
备注
27 pages, 10 figures