arXiv cs.AI· Kunpeng Liu, Boshi Zhang, Keyou You·· 13 小时前AI 评分31
AegisFlow：免训练非短视路径安全引导流匹配
AegisFlow: Training-Free Non-Myopic Path-Safe Guided Flow Matching
AI 导读
AegisFlow 提出一种免训练、非短视的路径安全引导框架，将引导生成重构为具有全局视野的安全关键最优控制问题，通过将时变障碍函数直接融入全局代价函数，沿整条生成路径施加约束。该方法推导出 Hamilton-Jacobi-Bellman（HJB）方程的可计算近似以求解全局最优控制，在文本引导图像编辑和机器人规划任务上优于现有方法，在目标对齐与约束满足之间取得更好权衡。代码已开源。
正文 · AI 翻译
摘要：预训练生成模型，如扩散模型和流匹配模型，在合成高质量数据方面已展现出卓越能力。然而，引导其生成轨迹以满足严格约束——例如图像编辑中的身份保持或机器人中的避障——从根本上仍具挑战性。尽管近期无需训练的引导方法能够保障路径安全，但它们严重依赖仅考虑即时约束满足的最小范数控制器。这些短视方法往往产生次优轨迹，危险地贴近边界徘徊，严重限制了模型朝目标优化的能力。本文提出 AegisFlow，一个无需训练、非短视的路径安全引导框架，将引导生成重新表述为具有全局视野的安全关键最优控制问题。通过将时变障碍函数直接集成到全局代价泛函中，AegisFlow 自然地沿整个生成路径施加约束。为计算全局最优控制，我们推导出 Hamilton-Jacobi-Bellman（HJB）方程的一个可处理且具有数学依据的近似。大量实验表明，AegisFlow 在文本引导图像操作和机器人规划方面优于最先进方法，在目标对齐与约束满足之间建立了显著更优的权衡。代码见 此 https URL。
| Comments: | 18 页，6 幅图 |
| Subjects: | 人工智能（cs.AI） |
| Cite as: | arXiv:2610.39825 [cs.AI] |
| （或 arXiv:2610.39825v1 [cs.AI] 用于此版本） | |
| https://doi.org/10.48550/arXiv.2610.39825 由 DataCite 颁发的 arXiv DOI |
Submission history
来自：Boshi Zhang [查看邮箱]
[v1]
2026年10月29日 星期四 11:07:59 UTC（2,425 KB）
来源：arXiv cs.AI · arxiv.org