本研究提出了耦合层次扩散（CHD）框架，旨在提升复杂长任务中的扩散规划效果。通过联合建模高层次目标选择与低层次轨迹生成，CHD在迷宫导航、桌面操作和家庭环境等场景中表现优于传统方法。

本研究提出一种新方法，通过可变时间步长和预测时间范围，优化多旋翼无人机拦截动态目标的计算需求，提高轨迹生成质量，支持长时间飞行计划。

本文介绍了基于扩散模型的轨迹生成框架Diff-Traj，提出了ControlTraj和MFTraj等轨迹预测模型，强调在动态交通场景中无需高清地图即可实现高效预测。这些模型结合了注意机制、LSTM和图卷积网络等技术，提高了预测准确性和计算效率，适用于自动驾驶等领域。研究结果表明，模型在多个数据集上表现优异，推动了自主驾驶系统的安全性和效率。

本文介绍了多种基于扩散模型的规划方法，以提高离线强化学习的效率和泛化能力。提出的MetaDiffuser和MTDiff模型在任务间生成轨迹表现优异，DiffuserLite框架显著提升决策频率。此外，研究探讨了在动态环境中利用扩散模型进行轨迹预测的有效性，并展示了在多个基准测试中取得的先进性能。

本文介绍了一种基于扩散模型的轨迹生成框架，结合道路网络拓扑约束，提高视频生成的可控性和高保真度。研究提出了CamTrol和Motion-Zero等方法，实现视频摄像机运动控制和移动物体轨迹优化，确保生成视频的自然性和一致性。引入行为标记的轨迹生成器CDT在复杂环境中表现优异，推动了自动驾驶领域的发展。

该文介绍了一种新的自主系统多阶段概率预测路径的方法，使用深度特征聚类方法进行分布偏移，使用基于距离的排序建议进行轨迹生成和分配概率，相比传统方法更有效准确。