Cet article aborde le problème de la planification dynamique des mouvements consistant à calculer des trajectoires sans collision tout en respectant les contraintes dynamiques d'un robot. Les planificateurs par échantillonnage (SBP) existants construisent des arbres de recherche par propagation d'actions pour explorer l'espace d'états à haute dimension du robot, mais leur échantillonnage aléatoire ralentit l'exploration. Les approches par apprentissage offrent des temps d'exécution plus rapides, mais ne se généralisent pas aux scénarios hors distribution (OOD) et manquent de garanties importantes telles que la sécurité. Dans cet article, nous présentons Diffusion Tree (DiTree), un cadre de généralisation vérifiable qui guide efficacement l'exploration de l'espace d'états au sein des SBP en exploitant les politiques de diffusion (DP) comme échantillonneurs informés. DiTree combine la capacité des DP à modéliser des distributions complexes de trajectoires expertes conditionnées par des observations locales avec l'exhaustivité des SBP pour générer des solutions vérifiables et sûres pour des systèmes dynamiques complexes en quelques itérations de propagation d'actions. Nous démontrons les performances de DiTree grâce à une implémentation combinant un planificateur RRT et un échantillonneur d'actions DP entraîné dans un environnement unique. Lors d'une évaluation complète des scénarios OOD, DiTree obtient un taux de réussite supérieur de 30 % en moyenne à celui des DP ou SBP autonomes dans les configurations de véhicules dynamiques et de robots fourmis Mujoco (dans ce dernier cas, SBP a complètement échoué). Au-delà des simulations, les expériences sur véhicules réels démontrent une excellente qualité de trajectoire et une excellente robustesse, même en cas d'écarts importants entre la simulation et le monde réel, confirmant ainsi l'applicabilité de DiTree.
