BridgeDrive: Diffusion Bridge Policy for Closed-Loop Trajectory Planning in Autonomous Driving

Each language version is independently generated for its own context, not a direct translation.

🚗 BridgeDrive: De Slimme Navigatie voor Zelfrijdende Auto's

Stel je voor dat je een zelfrijdende auto bouwt. De grootste uitdaging is niet alleen om de weg te zien, maar om te voorspellen wat er gaat gebeuren en een veilige route te plannen in een chaotische wereld vol andere auto's, voetgangers en onverwachte situaties.

De onderzoekers van Bosch hebben een nieuwe methode bedacht genaamd BridgeDrive. Laten we kijken hoe dit werkt, zonder ingewikkelde wiskunde.

1. Het Probleem: De "Geknipte" Navigatie

Vroeger gebruikten slimme auto's een techniek genaamd Diffusie. Denk hierbij aan het maken van een schilderij. Je begint met een lading ruis (een wazig beeld) en verwijdert stap voor stap het ruis tot je een perfect schilderij hebt.

Een eerdere methode (DiffusionDrive) deed dit op een slimme, maar onvolledige manier:

De oude methode: Ze begonnen niet helemaal wazig, maar met een "ruisig" voorbeeld van een goede route (een anker). Ze probeerden dit dan te verbeteren.
Het probleem: Dit was alsof je een schilderij probeert te maken door te beginnen met een half-afgewerkt schilderij en dan te hopen dat je de rest goed kunt afmaken. De regels van de "ruis-verwijdering" waren hierdoor niet eerlijk of logisch. Het kon leiden tot onvoorspelbare rijgedragingen, zoals plotseling remmen of een verkeerde bocht nemen.

2. De Oplossing: De Brug (BridgeDrive)

BridgeDrive lost dit op door een brug te bouwen.

Het Anker (De Start): De auto heeft een verzameling van "ideale routes" die een menselijke expert zou rijden. Dit zijn de ankers. Denk hierbij aan een verzameling van perfecte voorbeelden, zoals "hoe je een rotonde neemt" of "hoe je inhaalt".
De Brug: In plaats van te hopen op een gelukstreffer, bouwt BridgeDrive een wiskundige brug tussen een ruisig anker (een slechte versie van de ideale route) en de perfecte route die de auto nu moet rijden.
De Magie: Deze brug zorgt ervoor dat de auto stap voor stap van het ruige voorbeeld naar de perfecte, veilige route gaat. Het is alsof je een touw hebt dat je van de ene kant van een kloof (de ruige start) naar de andere kant (de veilige bestemming) trekt. De auto weet precies waar hij naartoe moet, omdat de brug de weg markeert.

3. Hoe werkt het in de praktijk? (De Vergelijking)

Stel je voor dat je een auto moet parkeren in een volle parkeergarage.

Zonder BridgeDrive: De auto kijkt naar een wazig beeld van hoe parkeren eruit zou moeten zien en probeert het te raden. Soms raakt hij de auto ernaast.
Met BridgeDrive:
1. De auto kijkt naar een boek met perfecte parkeervoorbeelden (de ankers).
2. Hij kiest het beste voorbeeld uit (bijvoorbeeld: "parkeer achter de rode auto").
3. Hij begint met een ruisige versie van die parkeeractie (alsof je een schets maakt met een viltstift).
4. Via de brug verfijnt hij deze schets stap voor stap tot een strakke, veilige parkeeractie, rekening houdend met de huidige situatie (andere auto's, obstakels).

4. Waarom is dit zo goed?

De onderzoekers hebben BridgeDrive getest in een zeer realistische simulatie (Bench2Drive), waar de auto moet reageren op andere voertuigen die ook bewegen.

Resultaat: BridgeDrive slaagde veel vaker dan de beste eerdere methoden.
- Het slaagde 7,7% vaker om de route veilig af te leggen dan de vorige kampioen.
- Het is ook sneller en kan in real-time werken, wat cruciaal is voor een echte auto op de weg.

5. Een klein nadeel (De "Veiligheid vs. Comfort" afweging)

De auto is zo veilig ingesteld dat hij soms te voorzichtig rijdt.

Vergelijking: Het is alsof een chauffeur die zo bang is om een ongeluk te maken, dat hij elke keer hard remt als er een vogel op de weg landt.
Gevolg: De passagiers voelen zich misschien niet zo comfortabel (veel remmen), maar ze komen wel veilig aan. De onderzoekers hopen dit in de toekomst nog iets zachter te maken.

Samenvatting in één zin

BridgeDrive is een nieuwe manier om zelfrijdende auto's te leren rijden, waarbij ze een "brug" bouwen tussen een goed voorbeeld en de werkelijke situatie, zodat ze veiliger, slimmer en betrouwbaarder zijn dan ooit tevoren.

Het is alsof je een auto niet alleen leert rijden door te kijken, maar door te kijken naar de beste rijders, en dan een onzichtbare lijn te trekken tussen wat ze deden en wat jij nu moet doen.

Each language version is independently generated for its own context, not a direct translation.

Titel: BridgeDrive: Diffusion Bridge Policy voor Gesloten-Lus Trajectplanning in Autonomie Rijden

Publicatie: ICLR 2026 (Conference Paper)
Auteurs: Shu Liu, Wenlin Chen, et al. (Bosch (China) Investment Ltd.)

1. Het Probleem

Autonome rijden vereist een robuuste planning in gesloten-lus (closed-loop) omgevingen, waarbij de acties van het eigen voertuig (ego-vehicle) de toekomstige staten van het verkeer beïnvloeden. Diffusiemodellen hebben zich bewezen als krachtige paradigmata voor deze taak vanwege hun vermogen om complexe, multi-modale verdelingen van rijgedrag te modelleren.

Echter, een fundamenteel probleem in bestaande werken (zoals DiffusionDrive) is de manier waarop ze gebruikmaken van "anchors" (coarse, typische expert-rijtrajecten) als leidraad.

Theoretische inconsistentie: Bestaande methoden gebruiken een afgeknipt (truncated) diffusie-schema. Ze starten het denoising-proces vanaf een verstoord anchor-voertuig in plaats van pure Gaussische ruis. Dit creëert een asymmetrie tussen het forward-diffusieproces (waarbij ruis wordt toegevoegd aan het anchor) en het reverse-denoising-proces (waarbij het model probeert de ground-truth te herstellen).
Gevolg: Deze asymmetrie wijkt af van de kernprincipes van diffusiemodellen, wat kan leiden tot onvoorspelbaar gedrag en suboptimale prestaties in realistische, dynamische scenario's.

2. Methodologie: BridgeDrive

BridgeDrive introduceert een nieuw, theoretisch onderbouwd kader dat het planning-probleem formuleert als een diffusiebrug (diffusion bridge).

Kernconcept: Diffusiebrug

In plaats van een heuristische afkorting, definieert BridgeDrive de planning als het overbruggen van de kloof tussen een gegeven ruwe anchor-traject ( $x_T = y$ ) en een verfijnde, contextbewuste ground-truth traject ( $x_0 = x$ ).

Symmetrie: De forward- en reverse-processen zijn perfect symmetrisch. Het model leert een directe en robuuste transformatie van het anchor naar het finale traject.
Generatief Proces: De gezamenlijke verdeling wordt gefactoriseerd als $p(x, y, z) = p(x|y, z)p(y|z)p(z)$ $p (x, y, z) = p (x ∣ y, z) p (y ∣ z) p (z)$ . Het proces bestaat uit twee stappen:
1. Selectie van een geschikte anchor $y$ op basis van de scène $z$ .
2. Generatie van het finale traject $x$ via een conditionele diffusiebrug $p_\theta(x_t | x_T, z)$ .

Architectuur

Het model bestaat uit drie hoofdcomponenten:

Perceptiemodule: Verwerkt LiDAR, camera-beelden en doelpunten om een BEV (Bird's Eye View) representatie en fused features te genereren (gebaseerd op TransFuser++).
Denoiser ( $x_\theta$ ): Een neurale netwerk die het gemiddelde van het gedenoiste traject voorspelt. Het gebruikt cross-attention mechanismen om interacties te modelleren tussen het ruwe traject, het geselecteerde anchor, en de perceptie-features.
Anchor Classifier ( $h_\phi$ ): Een module die de meest waarschijnlijke anchor selecteert uit een vooraf gedefinieerde set (geclusterd via K-means) op basis van de huidige rijomgeving.

Training en Inferentie

Training: Het model wordt getraind om de mean squared error te minimaliseren tussen de voorspelde gedenoiste trajecten en de ground-truth, waarbij het forward-proces een Gaussische brug is tussen het anchor en de ground-truth.
Inferentie: Het proces start met het selecteren van een anchor. Vervolgens wordt een Probability Flow ODE (PF-ODE) gesimuleerd om het traject stap voor stap te verfijnen van het anchor naar het finale plan. Het systeem is compatibel met efficiënte ODE-oplossers (zoals DDIM), wat real-time prestaties mogelijk maakt.

Trajectrepresentatie

BridgeDrive gebruikt geometrische pad-waypoints (coördinaten op gelijke geometrische afstand, bijv. elke 1 meter) in plaats van temporale snelheid-waypoints. Dit wordt beargumenteerd als superieur omdat het minder ambigu is voor snelheidsvariaties en beter voldoet aan de topologie van de route.

3. Belangrijkste Bijdragen

Theoretisch Correct Diffusie Framework: BridgeDrive is de eerste methode die anchor-geleide planning formuleert als een echte diffusiebrug, waardoor de symmetrie tussen forward en reverse processen wordt hersteld.
State-of-the-Art Prestaties: De methode bereikt nieuwe SOTA-resultaten op de Bench2Drive gesloten-lus benchmark.
Efficiëntie: Door gebruik te maken van ODE-oplossers en een compacte architectuur, is het systeem geschikt voor real-time implementatie in autonome voertuigen.
Geometrische Waypoints: Het paper demonstreert empirisch dat geometrische pad-waypoints superieur zijn aan temporale waypoints voor diffusiegebaseerde planners in gesloten-lus settings.

4. Resultaten

De prestaties zijn geëvalueerd op twee datasets: PDM-Lite en LEAD.

Bench2Drive (PDM-Lite):
- Success Rate (SR): 74,99% (een verbetering van +7,72% ten opzichte van de vorige SOTA, SimLingo).
- Driving Score (DS): 87,99 (een verbetering van +2,92).
- BridgeDrive presteert vooral sterk in complexe manoeuvres zoals samenvoegen (Merging) en verkeersborden herkennen.
LEAD Dataset:
- Success Rate: 89,25% (verbetering van +2,45% ten opzichte van de LEAD-baseline TFv6).
- Driving Score: 96,34.
Ablatie Studies:
- Geometrische waypoints presteerden significant beter dan temporale waypoints (tot +15% verbetering in SR in bepaalde configuraties).
- De combinatie van diffusie-bridging en anchor-geleiding is essentieel; een model zonder diffusie of zonder anchors presteert aanzienlijk slechter.
- Het model toont robuustheid: zelfs bij het kiezen van de 2e of 3e beste anchor blijft het succespercentage boven de 60%.

5. Betekenis en Toekomstperspectief

BridgeDrive markeert een belangrijke stap in de evolutie van end-to-end autonome rij-systemen. Door de theoretische inconsistenties van eerdere diffusiemethoden op te lossen, biedt het een betrouwbaarder kader voor veilige en reactieve planning in dynamische omgevingen.

Beperkingen: Het model toont soms een voorkeur voor veiligheid boven comfort (vaak te zien in remgedrag) en heeft moeite met "out-of-distribution" scenario's (bijv. onvoorspelbare rijders of complexe inhaalmanoeuvres zonder duidelijke data).
Toekomstig Werk: De auteurs suggereren het integreren van Vision-Language-Action (VLA) kennis voor betere algemene vaardigheden en het gebruik van Reinforcement Learning voor post-training om de generalisatie te verbeteren. Ook wordt distillatie naar een single-step planner onderzocht voor verdere snelheidswinst.

Samenvattend biedt BridgeDrive een principieel, theoretisch onderbouwd en empirisch superieur alternatief voor bestaande diffusieplanners, met name voor de uitdagende context van gesloten-lus evaluatie in autonoom rijden.