释放扩散模型在端到端自动驾驶中的潜力
机器人学
2026-05-19 v2 人工智能
机器学习
摘要
扩散模型已成为机器人学中决策任务的热门选择，最近也被考虑用于解决自动驾驶任务。然而，其在自动驾驶中的应用与评估仍局限于仿真或实验室环境。扩散模型在大型、复杂的真实环境（如端到端自动驾驶，E2E AD）中的全部潜力尚未得到充分探索。在本研究中，我们基于大量真实车辆数据和道路测试，对扩散模型作为E2E AD规划器的潜力进行了系统且大规模的调查。通过全面且精心控制的研究，我们识别出对E2E规划性能有显著影响的扩散损失空间、轨迹表示和数据扩展的关键洞察。此外，我们还提供了一种有效的强化学习后训练策略，以进一步增强所学规划器的安全性与鲁棒性。由此产生的基于扩散的学习框架——Hyper Diffusion Planner（HDP）——被部署在真实车辆平台上，并在6个城市驾驶场景和200公里真实道路测试中进行了评估，相比基础模型实现了显著的10倍性能提升。我们的工作表明，当设计得当时，扩散模型可以作为复杂真实自动驾驶任务中有效且可扩展的E2E AD规划器。
引用
@article{arxiv.2602.22801,
title = {Unleashing the Potential of Diffusion Models for End-to-End Autonomous Driving},
author = {Yinan Zheng and Tianyi Tan and Bin Huang and Enguang Liu and Ruiming Liang and Jianlin Zhang and Jianwei Cui and Guang Chen and Kun Ma and Hangjun Ye and Long Chen and Ya-Qin Zhang and Xianyuan Zhan and Jingjing Liu},
journal= {arXiv preprint arXiv:2602.22801},
year = {2026}
}