1月28日，毫末智行聯(lián)合清華大學AIR智能產(chǎn)業(yè)研究院、自動化所、港中文、上海交大、上海人工智能實驗室在ICLR 2025上正式發(fā)布了最新自動駕駛研究成果《Diffusion-based Planning for Autonomous Driving with Flexible Guidance》。該算法創(chuàng)新性地設計了一種基于Diffusion Transformer 的自動駕駛規(guī)劃模型架構(gòu)——Diffusion Planner，可以高效處理復雜場景輸入，并聯(lián)合建模周車運動預測與自車規(guī)劃中的多模態(tài)駕駛行為，充分發(fā)揮擴散模型在閉環(huán)規(guī)劃中的潛力，可以解決現(xiàn)有基于學習的規(guī)劃方法對后處理的嚴重依賴問題。此外，借助“擴散模型的引導機制”，這一模型在部署階段能夠靈活適應不同的駕駛需求，有效提高自動駕駛規(guī)劃決策端泛化能力與實用性，能夠極大提升自動駕駛的安全性和復雜場景的適應性。

AIR等機構(gòu)聯(lián)合發(fā)布全新自動駕駛規(guī)劃算法" alt="ICLR 2025 Oral " Diffusion Planner: 毫末智行與清華AIR等機構(gòu)聯(lián)合發(fā)布全新自動駕駛規(guī)劃算法" loading="lazy"/>

ICLR(國際學習表征會議) 是機器學習和人工智能領域最重要的國際學術(shù)會議之一。ICLR 2025 作為第十三屆會議，將于2025年4月24日至28日在新加坡博覽中心(Singapore EXPO)舉行。本屆ICLR 2025中，本論文從全球11,672份投稿中脫穎而出，不僅被ICLR2025正式接收，并以1.8%的占比成功入選Oral Paper(即可以參加會議正式演講)，代表了大會對該算法成果的高度認可，極具技術(shù)前瞻性。

當前，自動駕駛系統(tǒng)正在從傳統(tǒng)的模塊化架構(gòu)向端到端架構(gòu)演進，而實現(xiàn)在復雜環(huán)境下的靈活決策規(guī)劃的認知模塊的模型化，成為實現(xiàn)端到端的一大關鍵挑戰(zhàn)。傳統(tǒng)的基于規(guī)則的方案，雖然已經(jīng)產(chǎn)業(yè)中得到應用，但存在適應性差，調(diào)整成本高的問題。而行業(yè)正在嘗試的一些模仿學習方案，雖然能直接學習專家駕駛行為，并隨訓練數(shù)據(jù)擴展來提升性能，但是模仿學習在多模態(tài)行為適應性、泛化能力和駕駛風格靈活調(diào)控上仍存挑戰(zhàn)，特別是需要依賴后處理來優(yōu)化模型輸出。因此自動駕駛認知模型化需要探索新的思路。

近年來，擴散模型在決策領域得到廣泛應用，但在自動駕駛規(guī)劃中的探索仍然有限?，F(xiàn)有研究多聚焦于運動預測和場景生成，關注開環(huán)性能，而非閉環(huán)規(guī)劃。一些方法嘗試將擴散模型應用于規(guī)劃任務，但僅僅是沿用現(xiàn)有結(jié)構(gòu)或擴展模型參數(shù)，缺乏針對性結(jié)構(gòu)設計，導致仍然高度依賴后處理。

基于這些技術(shù)挑戰(zhàn)，本論文提出了一種創(chuàng)新的“基于擴散模型的自動駕駛規(guī)劃方法”——Diffusion Planner。通過擴散模型強大的數(shù)據(jù)分布擬合能力，Diffusion Planner能夠精準捕捉復雜場景中周車與自車的多模態(tài)駕駛行為，并實現(xiàn)周車預測與自車規(guī)劃的聯(lián)合建模。同時，基于Transformer的結(jié)構(gòu)設計高效處理復雜場景輸入，能夠?qū)崿F(xiàn)20Hz的高速實時推理。此外，借助靈活的引導機制，模型在部署階段即可適應不同的駕駛需求。

在大規(guī)模真實數(shù)據(jù)集 nuPlan 的閉環(huán)評估中，Diffusion Planner取得了SOTA級表現(xiàn)，?幅降低了對后處理的依賴，并在額外收集的 200 小時物流小車數(shù)據(jù)上驗證了其在多種駕駛風格下的魯棒性和遷移能力。

從對比現(xiàn)有基于擴散模型的自動駕駛規(guī)劃算法來看，Diffusion Planner 有效降低了對后處理的依賴，同時實現(xiàn)了更高的推理頻率，進一步驗證了這一算法設計結(jié)構(gòu)的有效性。再通過引入現(xiàn)有的后處理模塊，算法性能又得到了進一步提升，這得益于模型生成的高質(zhì)量軌跡，為后處理模塊提供了更優(yōu)的初始化參考軌跡。

該論文使用了毫末智行提供的200小時真實世界物流小車配送數(shù)據(jù)，作為nuPlan數(shù)據(jù)集的補充，并計劃在后續(xù)開源。與nuPlan數(shù)據(jù)集中的車輛相比，毫末的物流自動配送車具有以下特點：尺寸較小，運行速度較低;可以在主干道和自行車道上行駛;與行人和騎行者的交互更為頻繁，同時面臨不同的行駛規(guī)則。通過在該數(shù)據(jù)集的測試結(jié)果顯示，Diffusion Planner依然保持了最佳表現(xiàn)。

(毫末末端物流自動配送車小魔駝HD05)

毫末智行無人物流技術(shù)負責人趙祖軒表示，針對這一算法，毫末團隊已經(jīng)進入實車測試階段，即以車端感知端的BEV+認知端的Diffusion Planner相結(jié)合的方案，率先實現(xiàn)端到端方案在末端物流自動配送場景的應用落地。

毫末智行，作為一家致力于自動駕駛的人工智能技術(shù)公司，始終堅持以數(shù)據(jù)驅(qū)動為核心，重點布局在乘用車智能駕駛、末端物流自動配送車、智能硬件三大業(yè)務，為客戶提供領先的自動駕駛產(chǎn)品和無人配送服務的同時，也在源源不斷地產(chǎn)出高質(zhì)量的真實場景數(shù)據(jù)，有效地推動自身自動駕駛技術(shù)的升級和行業(yè)技術(shù)能力的發(fā)展。

Diffusion Planner方案的提出并取得 nuPlan SOTA 的成績，表明該算法在技術(shù)、性能和適應性等方面都達到了行業(yè)領先水平。這不僅為自動駕駛實際應用下的安全性、效率和舒適性提供了解決方案，也為自動駕駛認知端的模型化升級提供了新的思路，有利于整個自動駕駛行業(yè)技術(shù)的升級發(fā)展。

（免責聲明：本網(wǎng)站內(nèi)容主要來自原創(chuàng)、合作伙伴供稿和第三方自媒體作者投稿，凡在本網(wǎng)站出現(xiàn)的信息，均僅供參考。本網(wǎng)站將盡力確保所提供信息的準確性及可靠性，但不保證有關資料的準確性及可靠性，讀者在使用前請進一步核實，并對任何自主決定的行為負責。本網(wǎng)站對有關資料所引致的錯誤、不確或遺漏，概不負任何法律責任。
任何單位或個人認為本網(wǎng)站中的網(wǎng)頁或鏈接內(nèi)容可能涉嫌侵犯其知識產(chǎn)權(quán)或存在不實內(nèi)容時，應及時向本網(wǎng)站提出書面權(quán)利通知或不實情況說明，并提供身份證明、權(quán)屬證明及詳細侵權(quán)或不實情況證明。本網(wǎng)站在收到上述法律文件后，將會依法盡快聯(lián)系相關文章源頭核實，溝通刪除相關內(nèi)容或斷開相關鏈接。 ）