ICLR 2025 | Diffusion Planner: 基于扩散模型的自动驾驶规划算法，nuPlan SOTA!

golang学习网今天将给大家带来《ICLR 2025 | Diffusion Planner: 基于扩散模型的自动驾驶规划算法，nuPlan SOTA!》，感兴趣的朋友请继续看下去吧！以下内容将会涉及到等等知识点，如果你是正在学习科技周边或者已经是大佬级别了，都非常欢迎也希望大家都能给我建议评论哈~希望能帮助到大家！

清华大学联合多家机构在ICLR 2025发表的最新研究成果《Diffusion-based Planning for Autonomous Driving with Flexible Guidance》提出了一种创新的自动驾驶规划方法——Diffusion Planner。该方法基于Diffusion Transformer架构，有效解决了现有基于学习的规划方法对后处理的严重依赖问题。

Diffusion Planner的核心优势在于：

• 高效处理复杂场景: Diffusion Transformer架构能够高效处理复杂交通场景的输入，实现20Hz的高速实时推理。
• 联合建模预测与规划: 该模型联合建模周围车辆运动预测和自车规划，将两者统一为一个未来轨迹生成任务，从而实现更自然的协同行为。
• 灵活的引导机制: 利用扩散模型的引导机制，Diffusion Planner可在部署阶段灵活适应不同的驾驶需求（例如安全、舒适等），并通过加权求和轻松组合不同的偏好，增强模型的泛化能力和实用性。
• 降低对后处理的依赖: 在nuPlan数据集的闭环评估中，Diffusion Planner取得了SOTA级表现，大幅降低了对后处理的依赖。

技术细节：

Diffusion Planner巧妙地融合了加噪轨迹和条件信息（周围车辆历史信息、道路信息、静态障碍物、导航信息等），通过交叉注意力机制进行信息交互。为了避免模型重复自车历史行为，仅考虑自车当前位置和朝向作为起始状态引导。

实验结果：

在nuPlan数据集的闭环仿真测试中，Diffusion Planner在多个测试基准上达到SOTA性能，并显著降低了对后处理的依赖。 此外，在毫末智行提供的200小时真实世界物流小车数据上的测试也验证了其在不同驾驶场景下的鲁棒性和迁移能力。

总结：

Diffusion Planner 是一种具有突破性的自动驾驶规划方法，它充分利用了扩散模型的优势，并通过巧妙的架构设计，实现了高效、鲁棒且灵活的规划能力。其在真实数据集上的出色表现，为自动驾驶技术的进一步发展提供了新的方向。 论文链接：https://arxiv.org/pdf/2501.15564 项目主页：https://zhengyinan-air.github.io/Diffusion-Planner/

到这里，我们也就讲完了《ICLR 2025 | Diffusion Planner: 基于扩散模型的自动驾驶规划算法，nuPlan SOTA!》的内容了。个人认为，基础知识的学习和巩固，是为了更好的将其运用到项目中，欢迎关注golang学习网公众号，带你了解更多关于自动驾驶,理论,毫末智行,清华大学的知识点！