AegisFlow：免训练非短视路径安全引导流匹配

AegisFlow 以免训练全局最优控制实现路径安全引导生成。

资讯摘要

论文提出 AegisFlow，一种免训练的路径安全引导框架，将引导生成建模为具有全局视野的安全关键最优控制问题，把时变障碍函数直接纳入全局代价函数，从而沿整条生成路径施加约束。作者推导了 Hamilton-Jacobi-Bellman 方程的可计算近似以求解全局最优控制。论文报告在文本引导图像编辑与机器人规划任务上，该方法在目标对齐与约束满足之间取得更好权衡，优于现有方法，代码已公开。

要点速读

1. 论文指出，现有免训练引导方法依赖仅考虑即时约束满足的最小范数控制器，轨迹常贴近边界，限制模型向目标优化。
2. AegisFlow 将时变障碍函数纳入全局代价函数，并给出 HJB 方程的可计算近似。
3. 作者报告在文本引导图像编辑和机器人规划实验中优于现有方法，代码已在 GitHub 公开。

中文摘要由 AI 根据公开来源生成，可能存在理解偏差；具体能力、数字、开放时间等信息请以原文为准。
采集于 2026/10/31 08:00:18（北京时间）。 arXiv 日期为本次公告时间，论文初次投稿日期请查看原文版本记录。