Diffusion Planner:扩散模型重塑自动驾驶路径规划（ICLR‘25）

1. 概述

2025年2月14日，清华大学AIR智能产业研究院联合毫末智行、中科院自动化所和香港中文大学团队，在ICLR 2025会议上发布了Diffusion Planner——一种创新性的基于Diffusion Transformer的自动驾驶规划模型架构。该系统联合建模周车运动预测与自车行为规划，显著提升了复杂场景下的决策效率与稳定性，克服了传统学习方法对后处理的依赖，推动了自动驾驶系统从“黑盒生成”走向“可控可调”的新时代。

• 项目地址：https://zhengyinan-air.github.io/Diffusion-Planner/

2. 核心技术

该算法创新性地设计了基于 Diffusion Transformer 的自动驾驶规划模型架构，高效处理复杂场景输入，并联合建模周车运动预测与自车规划中的多模态驾驶行为，充分发挥扩散模型在闭环规划中的潜力，解决了现有基于学习的规划方法对后处理的严重依赖问题。此外，借助扩散模型的引导机制，模型在部署阶段能够灵活适应不同的驾驶需求，提高泛化能力与实用性。

2.1 轨迹生成为核心建模任务

• 将自车规划与周车运动预测统一为 未来轨迹生成任务；
• 以协同建模的方式模拟多车交互行为，捕捉动态交通环境中的 自然协同行为模式；
• 避免传统多阶段预测+规划框架中的信息割裂和误差累积问题。

2.2. 基于 Diffusion Transformer 的生成式轨迹建模

• 架构核心为 Diffusion Transformer（DiT），融合扩散建模与注意力机制；
• 采用扩散模型的前向加噪与反向去噪过程生成未来轨迹；
• 具备强建模能力，适应复杂多模态交通行为。

2.3 多源感知输入结构化表达

• 使用轻量级编码器提取以下环境感知数据：
  • 周车历史轨迹与当前状态；
  • 道路拓扑结构与静态障碍物；
  • 目标导航信息；
• 通过 交叉注意力机制 与加噪后的初始轨迹进行深度融合，提升轨迹生成准确性。

2.4. 起始状态引导

• 避免模型复现已有历史轨迹，破坏规划多样性；
• 仅使用 自车当前位姿（位置+朝向） 与周车当前状态，拼接进初始轨迹；
• 提供有效初态引导，减轻去噪任务难度，提升 闭环执行稳定性。

2.5. 扩散引导机制，偏好可控轨迹生成

• 在测试/部署阶段引入可控目标（如安全性、舒适性、速度偏好等）；
• 多偏好通过 加权组合方式灵活调控；
• 可启用/禁用偏好机制以适配不同场景需求，提升策略灵活性与适应性。

3. 商业前景

• Robotaxi 和 Robo-Logistics（无人货运）：复杂城市场景下对灵活轨迹生成的刚需；
• 乘用车辅助驾驶系统（L2+ / L3）：需要高安全、稳定、可调控的规划策略；
• 智能交通系统（ITS）仿真平台：用于城市交通建模与仿真；
• 自适应路径规划机器人：在城市配送、园区清洁、巡检等场景中部署。