Bài báo này đề cập đến vấn đề lập kế hoạch chuyển động động của việc tính toán quỹ đạo không va chạm trong khi vẫn tôn trọng các ràng buộc động của robot. Các bộ lập kế hoạch dựa trên lấy mẫu (SBP) hiện có xây dựng cây tìm kiếm thông qua lan truyền hành động để khám phá không gian trạng thái nhiều chiều của robot, nhưng việc lấy mẫu ngẫu nhiên của chúng dẫn đến việc khám phá chậm. Các phương pháp tiếp cận dựa trên học máy cung cấp thời gian thực hiện nhanh hơn nhưng không thể khái quát hóa thành các kịch bản ngoài phân phối (OOD) và thiếu các đảm bảo quan trọng như an toàn. Trong bài báo này, chúng tôi trình bày Diffusion Tree (DiTree), một khuôn khổ khái quát hóa có thể kiểm chứng, hướng dẫn hiệu quả việc khám phá không gian trạng thái trong SBP bằng cách tận dụng các Chính sách Khuếch tán (DP) như các bộ lấy mẫu có thông tin. DiTree kết hợp khả năng của DP trong việc mô hình hóa các phân phối phức tạp của các quỹ đạo chuyên gia dựa trên các quan sát cục bộ với tính đầy đủ của SBP để tạo ra các giải pháp an toàn có thể kiểm chứng cho các hệ thống động phức tạp trong một vài lần lặp lan truyền hành động. Chúng tôi chứng minh hiệu suất của DiTree thông qua một triển khai kết hợp bộ lập kế hoạch RRT với bộ lấy mẫu hành động DP được đào tạo trong một môi trường duy nhất. Trong một đánh giá toàn diện về các kịch bản OOD, DiTree đạt tỷ lệ thành công trung bình cao hơn 30% so với DP hoặc SBP độc lập trong các thiết lập xe động và robot kiến Mujoco (trong trường hợp sau, SBP hoàn toàn thất bại). Ngoài mô phỏng, các thử nghiệm xe thực tế cho thấy chất lượng quỹ đạo và độ bền tuyệt vời ngay cả trong những khoảng cách lớn giữa mô phỏng và thực tế, khẳng định tính ứng dụng của DiTree.
