One Diffusion Model, Two Roles: Guided Trajectory Planning and Safety-Critical Scenario Generation in Closed-Loop Simulation
本文表明，一个预训练的扩散交通模型可以通过利用一种新颖的 SSDS 解码器和 DAPSE 指导来同时作为高性能运动规划器，并作为可控的现实安全关键场景生成器，从而在闭环仿真中系统地评估规划器的鲁棒性。
原始论文采用 CC BY 4.0 许可（http://creativecommons.org/licenses/by/4.0/）。 这是对下方论文的AI生成解释。它不是由作者撰写或认可的。如需技术准确性，请参阅原始论文。 阅读完整免责声明
自动驾驶汽车并非在真空中行驶；它们在充斥着其他车辆、行人以及不可预测的人类选择的世界中穿行。为了安全行驶，一辆自动驾驶汽车必须同时完成两件困难的事情。首先，它必须预测其他人下一步会做什么，理解驾驶员可能会突然变道，或者行人可能会走下路缘。其次，它必须决定如何对这些预测做出反应，选择一条既能避开危险又能保持舒适与高效的路径。多年来，工程师们一直致力于教计算机这种灵活且多层次的思维方式。传统方法通常依赖于僵化的规则或简单的平均值，当道路呈现出从未见过的罕见、混乱或危险情况时，这些方法就会失效。核心挑战在于创建一个能够同时想象多种可能未来，并引导自身走向最安全路径的系统，同时还要接受大自然所能提供的最恶劣场景的测试。
来自 KTH 白皇家理工学院和 Zenseact 的一个研究小组通过开发一种单一的人工智能模型，在自动驾驶汽车的开发中扮演了两种截然不同的角色，从而解决了这一问题。他们没有构建分别用于规划路线和测试其安全性的独立系统，而是创建了一个基于被称为“扩散模型”（diffusion model）的技术的统一模型。该技术最初设计用于通过逐渐去除静态图像中的噪声来生成图像，现在已被改编用于理解复杂且多层次的交通流。研究人员利用数千小时的真实人类驾驶数据对该模型进行了训练，教会它如何预测一辆车及其周围车辆如何随时间共同移动。随后，他们证明了这一个经过训练的“大脑”可以用于两种互补的方式：首先，作为引导汽车安全穿行于交通中的运动规划器；其次，作为场景生成器，创造出真实的、危险的状况，以压力测试同一个规划器。
在第一个角色中，该模型充当驾驶员。研究人员通过改变信息处理方式，提高了模型理解道路的能力。他们没有将车辆路径和周围交通视为仅在最后阶段才结合在一起的独立数据流，而是设计系统在早期阶段就融合这两类数据流。这使得模型能够更清晰地看到邻近车辆的移动与自身潜在路径之间的联系。在闭环模拟测试中（即车辆的决策会立即影响环境，而环境也会对车辆做出反应），这种改进后的模型表现得显著更好，尤其是在其他车辆移动难以预测的复杂反应式场景中。为了让汽车更加安全，团队还添加了一种无需重新训练即可引导模型决策的方法。通过应用一套简单的规则——例如保持特定速度或留在车道线内——系统可以在生成路径的过程中实时微调其预测，使其向更安全的结果靠拢。
在第二个角色中，同一个模型变成了挑战者。研究人员将该人工智能重新利用为对手，生成旨在暴露车辆规划系统弱点的交通场景。通过对模拟中的“敌对”车辆应用不同的引导规则，他们可以诱导模型创造出特定的、高风险的交互行为。他们教会了对手进行激进的操作，例如在最后一刻切入自动驾驶汽车的前方，或者突然且出人意料地刹车。至关重要的是，这些危险行为并非预设的脚本；它们是从模型对交通的理解中自然涌现出来的，仅受研究人员创造冲突意图的引导。这使他们能够生成长期的、真实的事件序列，在这些序列中，自动驾驶汽车必须应对一辆正试图制造危险局面的车辆，而此时其他交通流量仍表现正常。
当研究人员用他们的新型规划器针对这些生成的场景进行测试时，他们发现了一个关于当前自动驾驶技术的深刻真相。在标准、常规条件下表现最好的规划器，在面对这些困难的对抗性场景时，实际上表现得最为吃力。虽然它在日常驾驶中得分很高，但当一辆激进的车辆切入或重踩刹车时，它往往无法做出快速反应，通常依赖于简单的制动而非采取主动的规避行动。相比之下，在标准测试中表现稍逊一筹的规划器，在这些极端情况下展现出了更强的韧性。这项研究表明，在标准基准测试中表现出色并不保证系统在现实世界中足够鲁棒。通过使用同一个模型既来驾驶汽车又来生成测试，研究人员创建了一个闭环，使系统不断受到其导航逻辑本身的挑战，从而揭示了那些原本会被隐藏的失效模式。
这项工作证明，对交通的单一学习理解既可以作为驾驶员，也可以作为严苛的检验者。通过生成如突然变道和紧急制动等真实的、涉及安全临界点的交互行为，研究人员能够展示出目前的规划器往往过度依赖反应式制动而非主动机动。结果表明，虽然新的架构提升了在复杂交通中的表现，但真正的安全性需要通过那些标准数据难以捕捉到的罕见、困难的交互来进行测试。这种双重用途的方法提供了一种开发自动驾驶汽车的强大新途径，确保我们构建的系统不仅擅长遵守规则，而且在面对突发状况时也足够强韧。
您所在领域的论文太多了？
获取与您研究关键词匹配的最新论文每日摘要——附技术摘要，使用您的语言。