Trajectory planning is an essential element of robotics and autonomous systems. This thesis investigates trajectory planning for Unmanned Aerial Vehicles connected to cellular networks. It is desirable to find trajectories of high quality, such as being smooth and ensuring good network connectivity in terms of bit rates. However, state-of-the-art algorithms might be slow for computing trajectories in the complex and dynamic environments of cellular networks. Furthermore, obtaining a precise model of the cellular network is a challenging task. To address these issues, this work explores the use of a generative artificial intelligence model known as diffusion modelling. A cellular network simulator is employed to create bit rate environment maps, which are utilized in three key steps. First, to create a dataset of trajectories to train the diffusion model, using a good but computationally demanding state-of-the-art trajectory planner. Second, when generating new trajectories using the diffusion model, and third when evaluating the generated trajectories. To consider the non-deterministic nature of cellular networks and to challenge the diffusion model, we perform experiments of varying complexity and realism by altering the cellular network environments in the three described steps. The performance of the diffusion model is compared to a good but computationally demanding state-of-the-art trajectory planner. The results show that the diffusion model consistently generates trajectories 10 times faster than the state-of-the-art trajectory planner, while maintaining a comparable quality level. Utilizing generative artificial intelligence, in the form of a diffusion model, is demonstrated to be a promising approach for fast trajectory planning in complex environments, such as those encountered by Unmanned Aerial Vehicles operating while connected to cellular networks.

Rörelseplanering är en kritisk komponent inom robotik och autonoma system. Denna avhandling undersöker rörelseplanering för drönare anslutna till mobilnätverk. Det är önskvärt att hitta rörelseplaner av hög kvalitet, såsom att vara mjuka och ha bra nätverksuppkoppling med avseende på bithastighet. Dock kan den senaste tekniken vara långsam på att hitta rörelseplaner i de kopmlexa och dynamiska miljöerna hos mobilnätverk. Vidare är det en utmanande uppgift att få en exakt modell av mobilnätverket. För att ta itu med dessa problem utforskar detta arbete användningen av en generativ artificiell intelligensmodell känd som diffusionsmodellering. En mobilnätssimulator används för att skapa kartor över bithastighetsmiljöer, vilka används i tre viktiga steg. Först, för att skapa ett dataset av banor för att träna diffusionsmodellen, med hjälp av en snabb men beräkningskrävande senaste teknikens rörelseplanerare. För det andra, vid generering av nya banor med diffusionsmodellen, och för det tredje vid utvärdering av de genererade rörelsebanorna. För att ta hänsyn till den icke-deterministiska naturen hos mobilnätverk och för att utmana diffusionsmodellen genomför vi experiment av varierande komplexitet och realism genom att ändra mobilnätverksmiljöerna i de tre beskrivna stegen. Diffusionsmodellens prestanda jämförs med en snabb men beräkningskrävande senaste teknikens rörelseplanerare. Resultaten visar att diffusionsmodellen konsekvent genererar banor 10 gånger snabbare än den senaste teknikens rörelseplanerare, samtidigt som den bibehåller jämförbar kvalitet. Att använda generativ artificiell intelligens i form av en diffusionsmodell visar sig vara en lovande metod för snabb banplanering i komplexa miljöer, såsom de som finns hos drönare som är anslutna till mobilnätverk.