본 논문은 로봇의 동역학적 제약 조건을 준수하면서 충돌 없는 궤적을 계산하는 동역학적 운동 계획 문제를 다룹니다. 기존의 샘플링 기반 계획기(SBPs)는 행동 전파를 통해 탐색 트리를 구성하여 로봇의 고차원 상태 공간을 탐색하지만, 무작위적인 샘플링으로 인해 탐색 속도가 느립니다. 학습 기반 접근 방식은 더 빠른 실행 시간을 제공하지만, 분포 외(OOD) 시나리오에 일반화되지 못하고 안전성과 같은 중요한 보장이 부족합니다. 본 논문에서는 확산 정책(DPs)을 정보화된 샘플러로 활용하여 SBP 내에서 상태 공간 탐색을 효율적으로 안내하는 검증 가능한 일반화 프레임워크인 Diffusion Tree (DiTree)를 제시합니다. DiTree는 로컬 관측값을 조건으로 전문가 궤적의 복잡한 분포를 모델링하는 DP의 능력과 SBP의 완전성을 결합하여 복잡한 동역학 시스템에 대해 몇 번의 행동 전파 반복 내에서 검증 가능하게 안전한 솔루션을 생성합니다. RRT 계획기와 단일 환경에서 훈련된 DP 행동 샘플러를 결합한 구현을 통해 DiTree의 성능을 보여줍니다. OOD 시나리오에 대한 종합적인 평가에서 DiTree는 동적 자동차 및 Mujoco의 개미 로봇 설정에서 독립형 DP 또는 SBP에 비해 평균 30% 높은 성공률을 달성합니다 (후자의 경우 SBP는 완전히 실패함). 시뮬레이션을 넘어 실제 자동차 실험은 심각한 시뮬레이션-실제 간격에서도 우수한 궤적 품질과 강건성을 보여주면서 DiTree의 적용 가능성을 확인합니다.
