AegisFlow：免训练非短视路径安全引导流匹配

2026年10月30日，arXiv Artificial Intelligence 刊出由 Kunpeng Liu、Boshi Zhang、Keyou You 提出的 AegisFlow 框架。该工作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，把时变障碍函数直接融入全局代价泛函，沿整条生成路径施加约束，从而避免短视决策。为求解该全局最优控制问题，作者推导出 Hamilton-Jacobi-Bellman（HJB）方程的可处理近似。据该报道，AegisFlow 为免训练框架；在文本引导图像编辑与机器人规划实验中，其表现优于现有方法，在目标对齐与约束满足之间取得更好权衡。目前仅有这一篇主报道，尚无跟进报道，也未出现数字、时间或说法上的前后矛盾。

AI 根据报道生成 · 2 小时前更新

还没有足够的连续观测数据，暂不绘制趋势。