自动驾驶领域的轨迹规划正迎来新趋势，扩散模型因其生成的多样性和拟人性备受关注，却也面临着安全性与采样效率的挑战。一项研究提出了一种结合灵活引导的扩散规划方法，旨在通过引入可调节的能量函数，精准控制轨迹生成，为解决这一难题提供了新思路。
智能速览
将轨迹规划与预测统一为未来轨迹生成任务。
利用MLP-Mixer网络高效提取稀疏场景特征。
通过导航信息自适应地引导整个轨迹生成过程。
引入能量函数实现生成效果的灵活控制。
该模型在安全性、舒适度和效率上做了优化。
精华内容
这项研究的核心在于构建一个灵活的引导框架，它如何在保证轨迹多样性的同时，有效提升规划的安全性与驾驶舒适度？其模型架构与引导机制的设计是关键。
统一生成框架
该方法将自车的轨迹规划与他车的轨迹预测视为一个统一的未来轨迹生成任务。模型输入包括当前车辆状态、历史数据、车道信息和导航信息，目标是同时生成所有关键交通参与者的未来轨迹。为了简化模型并提升闭环性能，研究中将自车当前状态与轨迹拼接，作为生成过程的明确起点，并排除了自车的速度与加速度信息。多头自注意力机制被用于提取和融合这些复杂的时空特征。
场景特征编码
为了高效处理稀疏的环境信息，模型采用了分离式编码策略。对于临近车辆和车道线这两类稀疏向量，研究使用了MLP-Mixer网络结构来提取稠密特征，通过多层混合层和池化操作，获得紧凑的向量表示。静态物体信息则通过多层感知机（MLP）直接处理。最后，将车辆、车道线和静态物体的特征拼接起来，通过一个Transformer编码器进行全局信息聚合，形成统一的场景特征表示。
导航信息融合
导航信息在轨迹生成中扮演着全局引导的角色。研究中，首先使用MLP-Mixer网络对路径点坐标进行特征编码，然后将提取的特征与扩散时间步的条件相加。通过自适应层归一化块，这种融合后的导航指导信息被注入到整个轨迹生成过程中，确保规划出的路径符合全局驾驶意图，如沿特定路线行驶。
灵活引导机制
该方案的核心亮点是引入了灵活的引导机制，它利用与能量模型（EBM）的密切关系，通过编码额外的能量函数来增强特定行为。研究中定义了四种能量函数来约束轨迹生成：一是通过计算规划速度与目标速度的差值来控制速度；二是用纵向加速度的变化率来约束驾驶舒适度；三是在每个时刻计算自车与周边车辆的有符号距离以避免碰撞；四是利用可微分的ESDF代价图来惩罚车辆偏离车道线的行为。
该研究通过将扩散模型与灵活的能量引导机制相结合，为自动驾驶的轨迹规划提供了一种兼顾安全、舒适与拟人性的新范式。这种高度可控的生成方式，或将成为未来高阶自动驾驶系统技术演进的重要方向，如何进一步优化其实时性将是下一步的看点。
