Generative Trajectory Planning for Autonomous Drone Teams

Project description

The objective of this project is to investigate diffusion models, Flow Matching (FM), and Model-Based Diffusion (MBD) for trajectory planning of autonomous drone teams in dense and cluttered environments.

The proposed architecture consists of two levels. A global guidance planner generates coordinated paths toward assigned targets while considering known static and moving obstacles. Each drone then uses a local receding-horizon planner to adapt its trajectory to newly detected obstacles, environmental changes, and neighboring drones.

The primary focus is the application of diffusion/FM/MBD methods to local short-horizon trajectory planning and obstacle avoidance. Diffusion and FM can learn distributions of feasible trajectories, while MBD provides a training-free alternative that directly uses known dynamics, objectives, and constraints.

The project will first address a single drone and then extend the approach to coordinated multi-drone motion with inter-drone collision avoidance. The methods will be evaluated in simulation in increasingly complex environments with static, moving, and previously unknown obstacles. As an additional research direction, the project will investigate whether generative methods can also be used for long-horizon global guidance.

The expected outcome is a simulation-based framework demonstrating and comparing generative methods for local trajectory planning and obstacle avoidance of autonomous drone teams, together with an assessment of their suitability for longer-horizon global planning. The project should provide insight into where diffusion/FM/MBD approaches offer advantages over conventional trajectory optimization and where their computational or scalability limitations become significant.

Student tasks

• Study the theoretical foundations and relevant literature. Learn the fundamentals of diffusion models, Flow Matching, guidance, and Model-Based Diffusion, and review their applications to trajectory generation, MPC, obstacle avoidance, and multi-robot planning.

• Formulate the drone trajectory-planning problem. Define suitable drone dynamics, objectives, trajectory representations, and collision-avoidance constraints. Establish a simulation environment and a conventional planning method as a baseline.

• Develop a generative local trajectory planner. Implement diffusion-, FM-, or MBD-based short-horizon trajectory planning, first for a single drone and then for multiple drones following global guidance while avoiding newly detected obstacles.

• Evaluate and extend the proposed approach. Compare the methods in terms of trajectory quality, collision avoidance, computation time, robustness, and scalability. Investigate their potential for longer-horizon or global trajectory generation.

• Document and present the results. Present the theoretical background, developed methods, simulation results, and conclusions, including the advantages and limitations of generative methods for local and global multi-drone trajectory planning.

Generatív trajektóriatervezés autonóm drónrajok számára

Projektleírás

A projekt célja diffúziós modellek, Flow Matching (FM) és Model-Based Diffusion (MBD) módszerek vizsgálata autonóm drónrajok trajektóriatervezésére sűrűn tagolt, akadályokkal terhelt környezetben.

A javasolt tervezési architektúra két szintből áll. Egy globális útvonaltervező összehangolt útvonalakat generál a drónok számára a kijelölt célpontok felé, figyelembe véve az ismert statikus és mozgó akadályokat. Ezt követően minden drón egy lokális, gördülő horizontú trajektóriatervezőt használ, amely az újonnan észlelt akadályok, a környezet változásai és a környező drónok mozgása alapján módosítja a trajektóriát.

A projekt elsődleges célja diffúziós/FM/MBD módszerek alkalmazása lokális, rövid horizontú trajektóriatervezésre és akadályelkerülésre. A diffúziós és FM-modellek képesek megvalósítható trajektóriák eloszlását megtanulni, míg az MBD egy tanításmentes alternatívát kínál, amely közvetlenül használja a rendszer ismert dinamikáját, a célfüggvényeket és a korlátozásokat.

A projekt első lépésben egyetlen drón trajektóriatervezésével foglalkozik, majd a módszert több drón koordinált mozgására terjeszti ki, beleértve a drónok közötti ütközések elkerülését is. A módszerek kiértékelése szimulációs környezetben, egyre összetettebb, statikus, mozgó és előzetesen nem ismert akadályokat tartalmazó környezetekben történik. További kutatási irány annak vizsgálata, hogy a generatív módszerek alkalmazhatók-e hosszú horizontú globális útvonaltervezésre is.

A projekt várható eredménye egy szimulációs keretrendszer, amely bemutatja és összehasonlítja az autonóm drónrajok lokális trajektóriatervezésére és akadályelkerülésére alkalmazott generatív módszereket, valamint értékeli azok alkalmasságát hosszabb horizontú globális tervezési feladatokra. A projekt célja annak feltárása, hogy a diffúziós/FM/MBD módszerek milyen esetekben nyújtanak előnyt a hagyományos trajektóriaoptimalizálási eljárásokkal szemben, illetve hol jelentkeznek számítási vagy skálázhatósági korlátaik.

Hallgatói feladatok

• Az elméleti alapok és a kapcsolódó szakirodalom tanulmányozása. A diffúziós modellek, a Flow Matching, a guidance és a Model-Based Diffusion alapjainak elsajátítása, valamint ezen módszerek trajektóriagenerálási, MPC, akadályelkerülési és többrobotos tervezési alkalmazásainak áttekintése.

• A drónok trajektóriatervezési feladatának megfogalmazása. Megfelelő dróndinamika, célfüggvények, trajektória-reprezentáció és ütközéselkerülési korlátozások definiálása. Szimulációs környezet kialakítása, valamint egy hagyományos tervezési módszer implementálása referenciaeljárásként.

• Generatív lokális trajektóriatervező kidolgozása. Diffúziós, FM- vagy MBD-alapú rövid horizontú trajektóriatervezési módszer implementálása, először egyetlen drónra, majd több, globális útvonaltervezést követő és az újonnan észlelt akadályokat lokálisan elkerülő drónra.

• A javasolt módszer kiértékelése és továbbfejlesztése. A vizsgált módszerek összehasonlítása a trajektória minősége, az ütközéselkerülés, a számítási idő, a robusztusság és a skálázhatóság szempontjából. A módszerek hosszabb horizontú vagy globális trajektóriatervezésre való alkalmazhatóságának vizsgálata.

• Az eredmények dokumentálása és bemutatása. Az elméleti háttér, a kidolgozott módszerek, a szimulációs eredmények és a következtetések összefoglalása, különös tekintettel a generatív módszerek előnyeire és korlátaira a lokális és globális többdrónos trajektóriatervezésben.