Graph-Guided Safe Diffuser: Topological Graph Guidance for Safe Diffusion Planning

📄 arXiv: 2608.09484v1 📥 PDF

作者: Nakgyu Yang, KwangBin Lee, SooJean Han

分类: cs.RO

发布日期: 2026-08-10

备注: 18 pages, 2 figures

💡 一句话要点

提出图引导安全扩散器以解决扩散规划中的安全性问题

🎯 匹配领域: 支柱一：机器人控制 (Robot Control)

关键词: 扩散规划 安全性 图引导 机器人导航 运动学可行性 路径规划 机器学习

📋 核心要点

  1. 现有的扩散规划方法在推理过程中引导安全性，但常常导致轨迹的运动学可行性降低，存在流形破裂的问题。
  2. 本研究提出G2SD框架，通过高层拓扑图规划器引导低层扩散模型，在结构层面上增强安全性，避免流形破裂。
  3. 实验结果显示，G2SD在Maze2D导航任务中无碰撞的目标到达率从40-50%提升至98%，并在运动任务中表现出色。

📝 摘要（中文）

许多基于扩散的规划器通过推理时的引导来强制执行安全性，但这种交错的轨迹变形往往会由于流形破裂而降低运动学的可行性。我们提出了图引导安全扩散器（G2SD），这是一个分层框架，利用高层次的拓扑图规划器来指导低层次的扩散模型。G2SD通过将数据流形抽象为学习的潜在图，在结构层面上强制执行安全性。通过扩散规划器生成的连续轨迹，依赖于高层规划器选择的图节点表示。理论分析表明了扩散规划器中流形破裂发生的条件，并显示G2SD通过减少约束违反概率来提高安全性。实验表明，G2SD显著优于基线，在Maze2D导航中无碰撞的目标到达率从40-50%提高到98%，并在运动任务中获得更高的任务评分。

🔬 方法详解

问题定义：本论文旨在解决现有扩散规划方法在推理过程中因轨迹变形导致的安全性问题，尤其是流形破裂现象。现有方法在确保安全性时，往往会牺牲运动学的可行性。

核心思路：G2SD框架通过将数据流形抽象为一个学习的潜在图，利用高层次的拓扑图规划器来指导低层次的扩散模型，从而在结构层面上增强安全性，避免流形破裂。

技术框架：G2SD的整体架构包括高层拓扑图规划模块和低层扩散模型模块。高层模块负责生成图节点表示，低层模块则基于这些表示生成连续轨迹。

关键创新：G2SD的主要创新在于通过引入高层次的拓扑图规划来指导低层次的扩散过程，从而有效减少约束违反的概率，与传统方法相比，显著提高了安全性和可行性。

关键设计：在设计中，G2SD采用了特定的损失函数来平衡安全性与轨迹可行性，并通过学习潜在图的方式来优化高层规划器的性能。

🖼️ 关键图片

fig_0
fig_1

📊 实验亮点

实验结果显示，G2SD在Maze2D导航任务中无碰撞的目标到达率从40-50%提升至98%，同时在运动任务中也取得了更高的任务评分，显著优于现有基线方法。

🎯 应用场景

该研究的潜在应用领域包括自主导航、机器人路径规划和智能交通系统等。通过提高扩散规划的安全性，G2SD能够在复杂环境中实现更高效的路径规划，具有重要的实际价值和未来影响。

📄 摘要（原文）

Many diffusion-based planners enforce safety through inference-time guidance, but such interleaved trajectory deformations often degrade kinematic feasibility due to manifold rupture. We propose Graph-Guided Safe Diffuser (G2SD), a hierarchical framework that leverages a high-level topological graph planner to guide a low-level diffusion model. G2SD enforces safety at a structural level by abstracting the data manifold into a learned latent graph, on which high-level planning is performed. Continuous trajectories are generated by diffusion planners, which are conditioned on the graph node representations selected by the high-level planner. Theoretical analyses demonstrate conditions under which manifold rupture occurs in diffusion planners, and show that G2SD improves safety by reducing the constraint violation probability as the number of segments increases. Experiments demonstrate that G2SD substantially outperforms baselines, increasing goal-reaching rate without any collision from 40-50% to 98% in Maze2D navigation and also achieving superior task scores in locomotion.