1月28日，毫末智行聯(lián)合清華大學(xué)AIR智能產(chǎn)業(yè)研究院、自動(dòng)化所、港中文、上海交大、上海人工智能實(shí)驗(yàn)室在ICLR 2025上正式發(fā)布了最新自動(dòng)駕駛研究成果《Diffusion-based Planning for Autonomous Driving with Flexible Guidance》。該算法創(chuàng)新性地設(shè)計(jì)了一種基于Diffusion Transformer 的自動(dòng)駕駛規(guī)劃模型架構(gòu)——Diffusion Planner，可以高效處理復(fù)雜場(chǎng)景輸入，并聯(lián)合建模周車運(yùn)動(dòng)預(yù)測(cè)與自車規(guī)劃中的多模態(tài)駕駛行為，充分發(fā)揮擴(kuò)散模型在閉環(huán)規(guī)劃中的潛力，可以解決現(xiàn)有基于學(xué)習(xí)的規(guī)劃方法對(duì)后處理的嚴(yán)重依賴問(wèn)題。此外，借助“擴(kuò)散模型的引導(dǎo)機(jī)制”，這一模型在部署階段能夠靈活適應(yīng)不同的駕駛需求，有效提高自動(dòng)駕駛規(guī)劃決策端泛化能力與實(shí)用性，能夠極大提升自動(dòng)駕駛的安全性和復(fù)雜場(chǎng)景的適應(yīng)性。

 ICLR（國(guó)際學(xué)習(xí)表征會(huì)議） 是機(jī)器學(xué)習(xí)和人工智能領(lǐng)域最重要的國(guó)際學(xué)術(shù)會(huì)議之一。ICLR 2025 作為第十三屆會(huì)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(huì)議正式演講），代表了大會(huì)對(duì)該算法成果的高度認(rèn)可，極具技術(shù)前瞻性。

當(dāng)前，自動(dòng)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(jìn)，而實(shí)現(xiàn)在復(fù)雜環(huán)境下的靈活決策規(guī)劃的認(rèn)知模塊的模型化，成為實(shí)現(xiàn)端到端的一大關(guān)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(yīng)用，但存在適應(yīng)性差，調(diào)整成本高的問(wèn)題。而行業(yè)正在嘗試的一些模仿學(xué)習(xí)方案，雖然能直接學(xué)習(xí)專家駕駛行為，并隨訓(xùn)練數(shù)據(jù)擴(kuò)展來(lái)提升性能，但是模仿學(xué)習(xí)在多模態(tài)行為適應(yīng)性、泛化能力和駕駛風(fēng)格靈活調(diào)控上仍存挑戰(zhàn)，特別是需要依賴后處理來(lái)優(yōu)化模型輸出。因此自動(dòng)駕駛認(rèn)知模型化需要探索新的思路。

近年來(lái)，擴(kuò)散模型在決策領(lǐng)域得到廣泛應(yīng)用，但在自動(dòng)駕駛規(guī)劃中的探索仍然有限?，F(xiàn)有研究多聚焦于運(yùn)動(dòng)預(yù)測(cè)和場(chǎng)景生成，關(guān)注開(kāi)環(huán)性能，而非閉環(huán)規(guī)劃。一些方法嘗試將擴(kuò)散模型應(yīng)用于規(guī)劃任務(wù)，但僅僅是沿用現(xiàn)有結(jié)構(gòu)或擴(kuò)展模型參數(shù)，缺乏針對(duì)性結(jié)構(gòu)設(shè)計(jì)，導(dǎo)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(kuò)散模型的自動(dòng)駕駛規(guī)劃方法”——Diffusion Planner。通過(guò)擴(kuò)散模型強(qiáng)大的數(shù)據(jù)分布擬合能力，Diffusion Planner能夠精準(zhǔn)捕捉復(fù)雜場(chǎng)景中周車與自車的多模態(tài)駕駛行為，并實(shí)現(xiàn)周車預(yù)測(cè)與自車規(guī)劃的聯(lián)合建模。同時(shí)，基于Transformer的結(jié)構(gòu)設(shè)計(jì)高效處理復(fù)雜場(chǎng)景輸入，能夠?qū)崿F(xiàn)20Hz的高速實(shí)時(shí)推理。此外，借助靈活的引導(dǎo)機(jī)制，模型在部署階段即可適應(yīng)不同的駕駛需求。

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

從對(duì)比現(xiàn)有基于擴(kuò)散模型的自動(dòng)駕駛規(guī)劃算法來(lái)看，Diffusion Planner 有效降低了對(duì)后處理的依賴，同時(shí)實(shí)現(xiàn)了更高的推理頻率，進(jìn)一步驗(yàn)證了這一算法設(shè)計(jì)結(jié)構(gòu)的有效性。再通過(guò)引入現(xiàn)有的后處理模塊，算法性能又得到了進(jìn)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(shí)真實(shí)世界物流小車配送數(shù)據(jù)，作為nuPlan數(shù)據(jù)集的補(bǔ)充，并計(jì)劃在后續(xù)開(kāi)源。與nuPlan數(shù)據(jù)集中的車輛相比，毫末的物流自動(dòng)配送車具有以下特點(diǎn)：尺寸較小，運(yùn)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(shí)面臨不同的行駛規(guī)則。通過(guò)在該數(shù)據(jù)集的測(cè)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(dòng)配送車小魔駝HD05）

毫末智行無(wú)人物流技術(shù)負(fù)責(zé)人趙祖軒表示，針對(duì)這一算法，毫末團(tuán)隊(duì)已經(jīng)進(jìn)入實(shí)車測(cè)試階段，即以車端的感知端的BEV+認(rèn)知端的Diffusion Planner相結(jié)合的方案，率先實(shí)現(xiàn)端到端方案在末端物流自動(dòng)配送場(chǎng)景的應(yīng)用落地。

毫末智行，作為一家致力于自動(dòng)駕駛的人工智能技術(shù)公司，始終堅(jiān)持以數(shù)據(jù)驅(qū)動(dòng)為核心，重點(diǎn)布局在乘用車智能駕駛、末端物流自動(dòng)配送車、智能硬件三大業(yè)務(wù)，為客戶提供領(lǐng)先的自動(dòng)駕駛產(chǎn)品和無(wú)人配送服務(wù)的同時(shí)，也在源源不斷地產(chǎn)出高質(zhì)量的真實(shí)場(chǎng)景數(shù)據(jù)，有效地推動(dòng)自身自動(dòng)駕駛技術(shù)的升級(jí)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(jī)，表明該算法在技術(shù)、性能和適應(yīng)性等方面都達(dá)到了行業(yè)領(lǐng)先水平。這不僅為自動(dòng)駕駛實(shí)際應(yīng)用下的安全性、效率和舒適性提供了解決方案，也為自動(dòng)駕駛認(rèn)知端的模型化升級(jí)提供了新的思路，有利于整個(gè)自動(dòng)駕駛行業(yè)技術(shù)的升級(jí)發(fā)展