全球首创 | 1秒跑45帧，让特斯拉黯然失色，地平线×华大用"扩散模型"颠覆端到端自动驾驶！

主要观点总结

本文主要介绍了一种新的端到端自动驾驶算法——DiffusionDrive，它结合了扩散模型和感知模型的优点，能够实现从原始传感器输入中学习驾驶策略。文章详细描述了DiffusionDrive算法的背景、原理、流程、实现细节、性能评估和效果展示。

关键观点总结

关键观点1: DiffusionDrive算法的背景

随着自动驾驶领域的热度不断升级，端到端大语言模型成为研究热点。感知模型的进步使得端到端自动驾驶受到广泛关注。然而，传统的端到端方案在应对复杂的交通场景时存在挑战，因此提出了一种新的截断扩散策略——DiffusionDrive。

关键观点2: DiffusionDrive算法的原理

DiffusionDrive结合先前的多模式锚点并截断了扩散调度，使模型能够从锚定的高斯分布学习去噪到多模式驾驶动作分布。与传统的扩散策略相比，降噪步骤大大减少，提高了实时性能。

关键观点3: DiffusionDrive算法的实现细节

DiffusionDrive采用高效的级联扩散解码器，增强了与条件场景上下文的交互。该算法采用与Transfuser相同的感知模块和骨干网，堆叠了多个级联扩散解码器层，并应用了具有多个集群锚点的截断扩散策略。

关键观点4: DiffusionDrive算法的性能评估

通过在面向规划的NAVSIM数据集上进行实验，DiffusionDrive实现了多项评估指标上的最佳性能。与多个先进的端到端自动驾驶算法相比，它在uScenes数据集上也取得了显著的效果。

关键观点5: DiffusionDrive算法的线下交流活动

作者近期在深圳举办了线下交流活动，分享关于DiffusionDrive算法的研究进展和应用情况。

文章预览

打造一个有温度、有趣味、专业的全栈式AI 交流社区， 用心写好每一篇文章！ “   随着AIGC的出现，自动驾驶领域的热度有所降低。然而基于AIGC的端到端大语言模型却成为了另一个火热的研究方向，自动驾驶已经从传统AI算法、BEV、OCC逐渐过渡到端到端大模型！ 由于感知模型（检测、跟踪、在线映射等）的进步，端到端自动驾驶受到了广泛关注，这些模型直接从原始传感器输入中学习驾驶策略。为了有效地从输入数据中学习，主流的端到端方案（例如Transfuser、UniAD、VAD）通常会从自我查询中回归单模轨迹。最近， 扩散模型已经成为一种强大的机器人策略学习生成技术，能够对多模式动作分布进行建模。 利用其端到端自动驾驶能力是一个有前景的方向。本文提出了一种新的截断扩散策略DiffusionDrive，该策略结合了先前的多模式锚点并截断了扩散调 ………………………………