扩散模型多机器人运动规划与多智能体流匹配两类方法并行进展
先了解这件事
2026-09-30 两篇 arXiv 论文分别从扩散与流匹配角度推进可控多机器人运动规划。第一篇（arXiv · Robotics）提出轨迹级模式引导扩散框架：在干净轨迹空间注入部分轨迹先验，随时间步递减引导强度，早期引导生成、后期释放约束以保留多模态性；通过梯度优化融入规划代价，并扩展至多机器人加入碰撞代价，实现可控轨迹合成与安全多智能体协调。第二篇（arXiv · Multiagent Systems）提出 DeGG-Flow，将生成建模为控制仿射动力系统，支持多智能体流匹配与解耦生成引导；处理共享与私有两类约束，给出可行性条件与有限时间收敛保证，并推导 Wasserstein 边界刻画引导导致的分布偏差；在多机器人跨越空间间隙与多物体场景生成中直接产出满足全部硬约束的结果，包含训练未见过的团队规模。两篇均于同日发布，分别面向轨迹级引导与流匹配两条技术路线。
AI 根据报道生成 · 2 小时前更新
事件进展
- 9月30日 12:00 · 1 篇报道Trajectory-Level Mode Guidance for Controllable Diffusion-BaarXiv · Robotics：Trajectory-Level Mode Guidance for Controllable Diffusion-Based Multi-Robot Motion Planning
- 9月30日 12:00 · 1 篇报道DeGG-Flow：解耦生成引导的多智能体流匹配框架arXiv · Multiagent Systems：Multi-Agent Flow Matching with Decoupled Generative Guidance
报道时间线
沿着报道，了解事件的不同侧面。
- arXiv · RoboticsTrajectory-Level Mode Guidance for Controllable Diffusion-Based Multi-Robot Motion Planning
论文提出在干净轨迹空间中引入轨迹级模式引导的扩散模型多机器人运动规划方法，通过随时间步递减的引导强度逐步注入部分轨迹先验，在早期阶段引导生成、后期释放约束以保留扩散模型的多模态特性。框架通过梯度优化融入规划代价，并扩展至多机器人场景加入碰撞代价，在单机器人与多机器人任务上实现可控轨迹合成与安全多智能体协调。
- arXiv · Multiagent SystemsMulti-Agent Flow Matching with Decoupled Generative Guidance
提出 DeGG-Flow 框架，将生成过程建模为控制仿射动力系统，支持多智能体流匹配与解耦生成引导。框架处理共享约束与私有约束两类耦合需求，给出可行性条件与有限时间收敛保证，并推导 Wasserstein 边界刻画引导导致的分布偏差。在多机器人协作跨越空间间隙与多物体场景生成实验中，DeGG-Flow 直接生成满足全部硬约束的物体，包括训练时未见过的团队规模。
本事件热度走势
还没有足够的连续观测数据，暂不绘制趋势。