扩散模型轨迹生成

它到底是什么意思

训练时从真实轨迹出发逐步加噪，模型学习在场景条件（自车状态、地图、障碍物、导航）下预测所加的噪声；推理时从噪声反向逐步去噪，得到一条合理轨迹。采样多次就得到多条候选。

擅长：多模态候选、不确定性建模、长尾场景扩增、世界模型与场景生成。难点：多步去噪推理慢、候选之间没有显式价值排序、条件控制和规则对齐难、有 mode collapse 风险。

工程上的核心原则：别让生成模型从零学物理。给它 anchor、参考轨迹、归一化这些强先验，把学习目标缩小到「在合理先验上做必要偏离」。

机制图解

容易搞混的地方

看懂之后可以追问

1. 车端推理需要几步去噪？延迟预算是多少，实测多少？标准扩散的多步去噪是它最大的落地障碍。截断方案能不能满足实时预算，是这条技术路线成不成立的关键。
2. 我们给了模型哪些先验？还是让它从纯噪声开始学？anchor 和参考轨迹这类先验能大幅降低学习负担和不稳定性。从零学全部驾驶物理是量产不友好的选择。

沿着主线继续

先知道

• 多模态轨迹——未来不是一个确定的点，而是一个分布：可以跟车、变道、让行、绕行，模型输出多条候选来表达这种不确定性。

对比着看

• 自回归轨迹生成——把轨迹变成 next-token prediction，一步步生成——训练稳定、天然接 RL，但会误差累积、多模态容易坍缩。

接着看

• 截断扩散与锚点——不从纯噪声出发，而是从聚类得到的轨迹锚点加少量噪声开始去噪，用少数几步换取车端实时性。
• 流匹配——不预测噪声，而是学习从噪声轨迹流向真实轨迹的连续速度场，推理时解 ODE——采样步数更少。

相关论文

• DiffusionDrive：端到端自动驾驶的截断扩散模型——截断 + 锚点换实时
• ResAD：端到端自动驾驶的归一化残差轨迹建模——惯性参考 + 残差
• Diffuser：用扩散做灵活的行为合成——value 引导采样