RealDrive：基于扩散模型与检索增强的驾驶
机器人学
2025-06-02 v1 人工智能
摘要
基于学习的规划器通过从数据中学习推理细微的交互，生成自然的人类驾驶行为，克服了基于规则的规划器产生的僵化行为。然而，数据驱动的方法通常难以应对罕见的安全关键场景，并且对生成的轨迹提供有限的可控性。为了应对这些挑战，我们提出了 RealDrive，这是一个检索增强生成（RAG）框架，通过从训练数据集中检索最相关的专家演示来初始化基于扩散的规划策略。通过去噪过程在当前观测和检索到的示例之间进行插值，我们的方法利用检索场景提供的强先验，实现了跨多样场景的细粒度控制和安全行为。我们得出的另一个关键见解是，与任务无关的检索器相比，使用基于规划的目标训练的任务相关检索模型在我们的框架中产生了更优的规划性能。实验结果表明，与标准的基于学习的规划器相比，该方法对长尾事件具有更好的泛化能力并增强了轨迹多样性——我们观察到在 Waymo Open Motion 数据集上使用 RAG 使碰撞率降低了 40%。
引用
@article{arxiv.2505.24808,
title = {RealDrive: Retrieval-Augmented Driving with Diffusion Models},
author = {Wenhao Ding and Sushant Veer and Yuxiao Chen and Yulong Cao and Chaowei Xiao and Marco Pavone},
journal= {arXiv preprint arXiv:2505.24808},
year = {2025}
}