GenPlanner: Von Rauschen zu Routen – KI‑Planung mit Diffusion & Flow Matching

In der künstlichen Intelligenz gilt die Pfadplanung in komplexen Umgebungen als eines der wichtigsten Probleme, weil sie gleichzeitig die Geometrie des Raumes und die globale Struktur des Problems verstehen muss. Mit dem neuen Ansatz GenPlanner wird dieses Problem mit generativen Modellen angegangen.

GenPlanner nutzt Diffusionsmodelle in Kombination mit Flow‑Matching, um Routen iterativ zu erzeugen. Dabei wird ein mehrkanaliger Eingangsvektor verwendet, der die Struktur der Umgebung, eine Hinderniskarte sowie Start- und Zielpunkte beschreibt. Diese Bedingungen steuern die Trajektorien­generierung und ermöglichen eine präzise Planung.

Der Ansatz umfasst zwei Varianten: DiffPlanner, der ausschließlich auf Diffusion basiert, und FlowPlanner, der Flow‑Matching einsetzt. Beide Modelle starten mit zufälligem Rauschen und transformieren dieses schrittweise zu einer gültigen Lösung.

In Experimenten, die das Finden von Pfaden in Labyrinthen demonstrieren, übertrifft GenPlanner deutlich die Leistung eines herkömmlichen CNN‑Modells. Besonders FlowPlanner erzielt hohe Genauigkeit, selbst wenn die Anzahl der Generierungsschritte begrenzt ist.

Die Ergebnisse zeigen, dass generative Modelle nicht nur als Bildgeneratoren, sondern auch als effektive Planungs- und Entscheidungswerkzeuge fungieren können – ein vielversprechender Schritt in Richtung intelligenter, adaptiver KI-Systeme.