Este artículo aborda el problema de la planificación dinámica del movimiento, que consiste en calcular trayectorias sin colisiones, respetando las restricciones dinámicas de un robot. Los planificadores basados en muestreo (SBP) existentes construyen árboles de búsqueda mediante la propagación de acciones para explorar el espacio de estados de alta dimensión del robot, pero su muestreo aleatorio resulta en una exploración lenta. Los enfoques basados en aprendizaje ofrecen tiempos de ejecución más rápidos, pero no se generalizan a escenarios fuera de distribución (OOD) y carecen de garantías importantes como la seguridad. En este artículo, presentamos Diffusion Tree (DiTree), un marco de generalización verificable que guía eficientemente la exploración del espacio de estados dentro de los SBP mediante el uso de Políticas de Difusión (PD) como muestreadores informados. DiTree combina la capacidad de las PD para modelar distribuciones complejas de trayectorias expertas condicionadas a observaciones locales con la completitud de los SBP para generar soluciones verificablemente seguras para sistemas dinámicos complejos en pocas iteraciones de propagación de acciones. Demostramos el rendimiento de DiTree mediante una implementación que combina un planificador RRT con un muestreador de acciones PD entrenado en un único entorno. En una evaluación exhaustiva de escenarios OOD, DiTree alcanza una tasa de éxito un 30 % superior en promedio a la de DP o SBP independientes en configuraciones de vehículos dinámicos y de hormigas robot Mujoco (en este último caso, SBP falló por completo). Más allá de las simulaciones, los experimentos con vehículos reales demuestran una excelente calidad y robustez de la trayectoria, incluso en grandes diferencias entre la simulación y el mundo real, lo que confirma la aplicabilidad de DiTree.
