ReflexDiffusion：面向自动驾驶高侧向加速度场景的反射增强轨迹规划

在长尾场景下为自动驾驶车辆生成安全可靠的轨迹仍然是一个重大挑战，特别是对于急转弯等高侧向加速度机动，这代表了关键的安全状况。由于数据不平衡，现有的轨迹规划器在这些场景中表现出系统性失败。这导致在高风险情况下对车辆动力学、道路几何和环境约束的建模不足，当车辆在接近其物理极限运行时，会导致次优或不安全的轨迹预测。在本文中，我们引入了 ReflexDiffusion，一种通过反射调整增强基于扩散的轨迹规划器的新型推理阶段框架。我们的方法在迭代去噪过程中引入了基于梯度的调整机制：在每次标准轨迹更新后，我们计算条件噪声预测与无条件噪声预测之间的梯度，以显式放大关键条件信号，包括道路曲率和车辆侧向动力学。这种放大强制严格遵循物理约束，特别是在需要精确车辆-道路交互的高侧向加速度机动中提高了稳定性。在 nuPlan Test14-hard 基准上评估，ReflexDiffusion 在高侧向加速度场景下的驾驶分数比现有技术（SOTA）方法提高了 14.1%。这表明推理时轨迹优化可以通过在操控极限附近动态强化安全关键约束，来有效补偿训练数据的稀疏性。该框架的架构无关设计使其能够直接部署到现有的基于扩散的规划器上，为改善自动驾驶车辆在挑战性驾驶条件下的安全性提供了实用解决方案。