Resumen:La planificación de rutas en entornos complejos es uno de los problemas clave de la inteligencia artificial porque requiere una comprensión simultánea de la geometría del espacio y la estructura global del problema. En este artículo, exploramos el potencial del uso de modelos generativos como mecanismos de planificación y razonamiento. Proponemos GenPlanner, un enfoque basado en modelos de difusión y coincidencia de flujo, junto con dos variantes: DiffPlanner y FlowPlanner. Demostramos la aplicación de modelos generativos para encontrar y generar caminos correctos en laberintos. Para condicionar la generación de trayectorias se utiliza una condición multicanal que describe la estructura del entorno, incluido un mapa de obstáculos e información sobre los puntos de inicio y destino. A diferencia de los métodos estándar, nuestros modelos generan trayectorias de forma iterativa, comenzando con ruido aleatorio y transformándolo gradualmente en una solución correcta. Los experimentos realizados muestran que el enfoque propuesto supera significativamente al modelo básico de CNN. En particular, FlowPlanner demuestra un alto rendimiento incluso con un número limitado de pasos de generación.
Publicado originalmente en export.arxiv.org el 23 de febrero de 2026.
Ver fuente original
