DiffAD: 自动驾驶的统一扩散建模方法
机器人学
2025-07-21 v2 计算机视觉与模式识别
摘要
端到端自动驾驶(E2E-AD)已迅速发展为实现完全自动驾驶的有前景方法。然而，现有的E2E-AD系统通常采用传统的多任务框架，通过独立的任务特定头来处理感知、预测和规划任务。尽管以完全可微分的方式训练，它们仍然面临任务协调问题，且系统复杂度仍然较高。在本工作中，我们引入DiffAD——一种新颖的扩散概率模型，将自动驾驶重新定义为条件图像生成任务。通过将异构目标栅格化到统一的鸟瞰图(BEV)上并建模其潜在分布，DiffAD统一了各种驾驶目标，并在单一框架中联合优化所有驾驶任务，显著降低了系统复杂度并协调了任务一致性。逆过程迭代地细化生成的BEV图像，从而产生更鲁棒和更真实的驾驶行为。在Carla中的闭环评估证明了所提方法的优越性，实现了新的最先进成功率(Success Rate)和驾驶评分(Driving Score)。
引用
@article{arxiv.2503.12170,
title = {DiffAD: A Unified Diffusion Modeling Approach for Autonomous Driving},
author = {Tao Wang and Cong Zhang and Xingguang Qu and Kun Li and Weiwei Liu and Chang Huang},
journal= {arXiv preprint arXiv:2503.12170},
year = {2025}
}
备注
8 pages, 6 figures; Code released