An Open-Source Modular Benchmark for Diffusion-Based Motion Planning in Closed-Loop Autonomous Driving

Título: Un Benchmark Modular de Código Abierto para la Planificación de Movimiento Basada en Difusión en la Conducción Autónoma de Bucle Cerrado

1. El Problema

Aunque los planificadores de movimiento basados en modelos de difusión han logrado resultados de vanguardia en benchmarks como nuPlan, su evaluación y despliegue en sistemas de conducción autónoma (AD) de producción en bucle cerrado presentan dos brechas críticas no abordadas:

• Evaluación Aislada de la Realidad: Las evaluaciones existentes suelen realizarse en simuladores independientes (como CARLA) o en bucles cerrados "pseudo-cerrados" (reproducción de escenarios en Python). Estos entornos ignoran las restricciones de latencia de los pilas de software reales, como la sobrecarga de comunicación de ROS 2, la preprocesamiento de sensores y la programación en tiempo real. Como resultado, el rendimiento en el "benchmark" no se traduce necesariamente al rendimiento en el vehículo.
• Despliegue Monolítico e Inflexible: Los pipelines de implementación actuales exportan todo el proceso de denoising (incluyendo la programación de ruido, la lógica del solver y los bloques DiT) en un único gráfico ONNX monolítico. Esto "congela" los parámetros del solver (número de pasos, orden, programación de ruido) en el momento de la exportación. Para cambiar estos parámetros, es necesario reexportar y recompilar el modelo, lo que impide la investigación dinámica sobre cuántos pasos son realmente necesarios o si un solver de segundo orden ofrece ventajas en tiempo real. Además, en arquitecturas monolíticas, el codificador de contexto se ejecuta repetidamente en cada paso de denoising, generando una ineficiencia computacional masiva.

2. Metodología

Los autores proponen un benchmark modular de código abierto que integra un planificador de difusión dentro de la pila de software Autoware (el estándar de código abierto basado en ROS 2) y lo validan en el simulador AWSIM.

• Descomposición del Gráfico (GraphSurgeon): Utilizando ONNX GraphSurgeon, descomponen el gráfico monolítico original (que tenía 18,398 nodos) en tres módulos independientes ejecutables:
  1. Codificador de Contexto: Procesa la escena (posición del vehículo, objetos, mapa, señales) y genera una incrustación de contexto. Se ejecuta una sola vez por ciclo de planificación y su salida se almacena en caché.
  2. Núcleo DiT (Diffusion Transformer): El modelo principal que realiza el paso de denoising. Se ejecuta $N$ veces, donde $N$ es configurable en tiempo de ejecución.
  3. Clasificador de Indicadores de Giro: Un módulo ligero para predecir señales de giro.
• Implementación del Solver en C++ Nativo: En lugar de tener el bucle de denoising dentro del gráfico ONNX, lo reimplementan en C++ nativo utilizando DPM-Solver++. Este bucle orquesta la ejecución de los módulos anteriores.
  • Permite configurar dinámicamente el número de pasos ($N$), el orden del solver (1º o 2º) y los parámetros de la programación de ruido (VP noise schedule) sin recompilar el modelo.
  • Utiliza la API de C++ de ONNX Runtime para evitar la sobrecarga del intérprete de Python y cumplir con los requisitos de tiempo real.
• Integración ROS 2: El sistema se integra como un nodo ROS 2 "drop-in" (sustituto directo) dentro de Autoware, permitiendo la observabilidad paso a paso del proceso de denoising y la reconfiguración en tiempo real mediante parámetros de ROS.

3. Contribuciones Clave

1. Benchmark Modular de Código Abierto: La primera plataforma que descompone un planificador de difusión monolítico en módulos ejecutables independientes, permitiendo la evaluación "plug-and-play" de diferentes solvers en una pila de producción real (Autoware + AWSIM).
2. Solver Configurável en Tiempo de Ejecución: Una implementación nativa en C++ que permite estudiar el comportamiento del solver (número de pasos, orden, programación) sin necesidad de reentrenar o recompilar el modelo, algo imposible en despliegues monolíticos actuales.
3. Análisis Sistemático de Solvers: Comparación exhaustiva entre DPM-Solver++ (orden 1 y 2) y DDIM bajo condiciones de bucle cerrado, demostrando que la corrección de segundo orden y una programación de pasos adecuada mejoran significativamente la precisión.
4. Validación de Equivalencia Numérica y Rendimiento: Demuestran que la arquitectura modular es numéricamente equivalente al modelo original (error < $10^{-5}$) y que la técnica de caché del codificador reduce drásticamente la latencia.

4. Resultados

• Reducción de Latencia: La técnica de caché del codificador de contexto (ejecutándolo una sola vez en lugar de $N+1$ veces) reduce la latencia de inferencia en un 3.2x.
  • Ejemplo: Para $N=3$, la latencia baja de 119 ms (monolítico) a 37 ms (modular), permitiendo cumplir con el presupuesto típico de 100 ms de Autoware.
• Mejora en Precisión (FDE): El uso de un solver de segundo orden reduce el Error de Desplazamiento Final (FDE) en un 41% en comparación con el solver de primer orden cuando se usan solo 3 pasos ($N=3$).
• Eficiencia de Pasos: Se demostró que reducir el número de pasos (truncar el proceso) afecta principalmente la fase de ajuste fino. Incluso con $N=3$, el error medio de desviación es aceptable para planificación en tiempo real.
• Comparación de Solvers: Se confirmó que DPM-Solver++ de primer orden es equivalente a DDIM, pero el de segundo orden ofrece ganancias sustanciales. Además, una programación de pasos dedicada para $N=3$ mejora la calidad en un factor de 7x en comparación con simplemente cortar un plan de 10 pasos.
• Validación en Bucle Cerrado: El sistema operó exitosamente en simulación AWSIM durante más de 600 ciclos de planificación en un entorno urbano, manteniendo una tasa de salida de ~10 Hz sin colisiones.

5. Significado e Impacto

Este trabajo es fundamental porque cierra la brecha entre la investigación académica de modelos de difusión y su aplicación práctica en la industria de la conducción autónoma.

• Desmitificación del "Caja Negra": Al sacar el bucle de denoising del gráfico neuronal, los investigadores pueden observar y controlar cada paso del proceso, algo imposible en despliegues monolíticos.
• Eficiencia Operativa: Demuestra que es posible ejecutar modelos de difusión complejos en hardware de vehículos con restricciones de tiempo real mediante optimizaciones arquitectónicas (caché) y no solo mediante aceleración de hardware.
• Reproducibilidad y Flexibilidad: Al ser de código abierto y modular, permite que la comunidad pruebe nuevos solvers, estrategias de programación y políticas adaptativas en un entorno de producción real, acelerando el desarrollo de sistemas de planificación más robustos y eficientes.

En resumen, el artículo presenta una solución técnica robusta que transforma los planificadores de difusión de modelos de investigación estáticos en componentes dinámicos, eficientes y desplegables para vehículos autónomos reales.