ETD

• augmented lagrangian
• Diffusion model
• equality constraints
• lagrangiana aumentata
• local iterative optimization
• Modelli di diffusione
• motion planning
• multi-robot systems
• ostacoli statici
• ottimizzazione di traiettoria
• ottimizzazione iterativa locale
• pianificazione del moto
• sistemi multi-robot
• static obstacles
• trajectory optimization
• vincoli di uguaglianza

Il lavoro propone un metodo di ottimizzazione di traiettorie multi-robot basato su modelli di diffusione di tipo model-based, nei quali la dinamica del sistema è incorporata nel processo di campionamento. L’estensione multi-agente, denominata LID (Local Iterative Diffusion), combina una fase di reverse diffusion globale, che genera traiettorie dinamicamente coerenti, con una successiva ottimizzazione iterativa locale a finestre, volta a migliorarne progressivamente la qualità. È inoltre presentata una versione vincolata, denominata LIDEC (Local Iterative Diffusion with Equality Constraints), che integra la Lagrangiana aumentata per imporre vincoli di uguaglianza sul goal. Le simulazioni condotte su sistemi di robot mostrano che i metodi proposti generano traiettorie prive di collisioni e dinamicamente consistenti, anche in ambienti con ostacoli statici. I risultati confermano la validità dei processi di diffusione come paradigma efficace per la pianificazione ottima del moto multi-robot.

This work proposes a multi-robot trajectory optimization method based on model-based diffusion models, in which the system dynamics are explicitly incorporated into the sampling process. The multi-agent extension, called LID (Local Iterative Diffusion), combines a global reverse diffusion phase, which generates dynamically consistent trajectories, with a subsequent local iterative windowed optimization aimed at progressively improving their quality. Moreover, a constrained version, called LIDEC (Local Iterative Diffusion with Equality Constraints), is introduced, integrating the Augmented Lagrangian to enforce equality constraints on the goal. Simulations performed on robot systems show that the proposed methods generate collision-free, and dynamically feasible trajectories, even in environments with static obstacles. The results confirm the effectiveness of diffusion processes as a powerful paradigm for optimal multi-robot motion planning.