1. 概述

2025年2月14日，清華大學AIR智能產業研究院聯合毫末智行、中科院自動化所和香港中文大學團隊，在ICLR 2025會議上發布了Diffusion Planner——一種創新性的基于Diffusion Transformer的自動駕駛規劃模型架構。該系統聯合建模周車運動預測與自車行為規劃，顯著提升了復雜場景下的決策效率與穩定性，克服了傳統學習方法對后處理的依賴，推動了自動駕駛系統從“黑盒生成”走向“可控可調”的新時代。

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

2. 核心技術

該算法創新性地設計了基于 Diffusion Transformer 的自動駕駛規劃模型架構，高效處理復雜場景輸入，并聯合建模周車運動預測與自車規劃中的多模態駕駛行為，充分發揮擴散模型在閉環規劃中的潛力，解決了現有基于學習的規劃方法對后處理的嚴重依賴問題。此外，借助擴散模型的引導機制，模型在部署階段能夠靈活適應不同的駕駛需求，提高泛化能力與實用性。

2.1 軌跡生成為核心建模任務

• 將自車規劃與周車運動預測統一為 未來軌跡生成任務；
• 以協同建模的方式模擬多車交互行為，捕捉動態交通環境中的 自然協同行為模式；
• 避免傳統多階段預測+規劃框架中的信息割裂和誤差累積問題。

2.2. 基于 Diffusion Transformer 的生成式軌跡建模

• 架構核心為 Diffusion Transformer（DiT），融合擴散建模與注意力機制；
• 采用擴散模型的前向加噪與反向去噪過程生成未來軌跡；
• 具備強建模能力，適應復雜多模態交通行為。

2.3 多源感知輸入結構化表達

• 使用輕量級編碼器提取以下環境感知數據：
  • 周車歷史軌跡與當前狀態；
  • 道路拓撲結構與靜態障礙物；
  • 目標導航信息；
• 通過 交叉注意力機制 與加噪后的初始軌跡進行深度融合，提升軌跡生成準確性。

2.4. 起始狀態引導

• 避免模型復現已有歷史軌跡，破壞規劃多樣性；
• 僅使用 自車當前位姿（位置+朝向） 與周車當前狀態，拼接進初始軌跡；
• 提供有效初態引導，減輕去噪任務難度，提升 閉環執行穩定性。

2.5. 擴散引導機制，偏好可控軌跡生成

• 在測試/部署階段引入可控目標（如安全性、舒適性、速度偏好等）；
• 多偏好通過 加權組合方式靈活調控；
• 可啟用/禁用偏好機制以適配不同場景需求，提升策略靈活性與適應性。

3. 商業前景

• Robotaxi 和 Robo-Logistics（無人貨運）：復雜城市場景下對靈活軌跡生成的剛需；
• 乘用車輔助駕駛系統（L2+ / L3）：需要高安全、穩定、可調控的規劃策略；
• 智能交通系統（ITS）仿真平臺：用于城市交通建模與仿真；
• 自適應路徑規劃機器人：在城市配送、園區清潔、巡檢等場景中部署。