Diffusion-Based Planning for Autonomous Driving with Flexible Guidance

Achieving human-like driving behaviors in complex open-world environments is a critical challenge in autonomous driving. Contemporary learning-based planning approaches such as imitation learning methods often struggle to balance competing objectives and lack of safety assurance,due to limited adaptability and inadequacy in learning complex multi-modal behaviors commonly exhibited in human planning, not to mention their strong reliance on the fallback strategy with predefined rules. We propose a novel transformer-based Diffusion Planner for closed-loop planning, which can effectively model multi-modal driving behavior and ensure trajectory quality without any rule-based refinement. Our model supports joint modeling of both prediction and planning tasks under the same architecture, enabling cooperative behaviors between vehicles. Moreover, by learning the gradient of the trajectory score function and employing a flexible classifier guidance mechanism, Diffusion Planner effectively achieves safe and adaptable planning behaviors. Evaluations on the large-scale real-world autonomous planning benchmark nuPlan and our newly collected 200-hour delivery-vehicle driving dataset demonstrate that Diffusion Planner achieves state-of-the-art closed-loop performance with robust transferability in diverse driving styles.

한 줄 요약

Diffusion Planner는 rule-based 정제 없이 다중 모달 운전 행동을 모델링하고, nuPlan 및 200시간 배송 차량 데이터셋에서 최고 성능을 달성한 transformer 기반 확산 모델 기반 경로 계획 알고리즘이다.

핵심 기여도

**Diffusion Planner**는 rule-based 정제 없이도 경로 품질을 보장하며, nuPlan 데이터셋에서 기존 학습 기반 기법 대비 최고 성능을 달성.
**classifier guidance 메커니즘**을 통해 실시간 운전 스타일(안전, 편안함, 속도 제어)을 조정 가능.
**200시간 배송 차량 데이터셋**을 수집 및 평가하여 모델의 transferability과 robustness를 입증.
**Diffusion loss**를 활용하여 예측 및 경로 계획을 동일 아키텍처 내에서 결합.

핵심 아이디어

기존 학습 기반 경로 계획 방법은 다중 모달 운전 행동을 학습하는 데 한계가 있으며, out-of-distribution 상황에서는 rule-based 정제에 의존하는 문제가 있다. 본 연구는 확산 모델의 **복잡한 데이터 분포 모델링 능력**과 **유연한 classifier guidance 메커니즘**을 활용하여 이 문제를 해결한다. Diffusion Planner는 차량의 **trajector score function의 gradient를 학습**하여 다중 모달 운전 행동을 효과적으로 모델링하고, **rule-based 정제 없이도 안정적이고 부드러운 경로를 생성**한다. 또한, **classifier guidance**는 추가 학습 없이도 운전 스타일을 실시간으로 조정할 수 있는 유연한 메커니즘이다.

기술적 접근법

**모델 아키텍처**: transformer 기반의 **diffusion planner**를 설계.
**학습 방법**: **diffusion loss**를 사용하여 예측과 경로 계획을 동일 아키텍처 내에서 결합.
**데이터셋**: nuPlan, 200시간 배송 차량 데이터.
**하이퍼파라미터**: denoise steps, low-temperature sampling.
**유연한 가이드**: **classifier guidance**를 통해 안전, 편안함, 속도 제어 등 다양한 운전 스타일 조정 가능.
**데이터 전처리**: z-score 정규화, 데이터 증강, future trajectory interpolation.

주요 결과

**nuPlan 데이터셋**에서 **Diffusion Planner**는 기존 학습 기반 기법 대비 최고 성능을 달성.
**Diffusion Planner w/ refine**는 **rule-based 기법**을 포함한 모든 baseline을 초과, **인간 운전 성능을 능가**.
**200시간 배송 차량 데이터셋**에서 **PDM, GameFormer, PLUTO** 대비 **강력한 transferability**를 보임.
**PlanTF, PLUTO**와 비교 시, **diffusion 모델의 강력한 생성 능력**이 성능 향상에 기여.

의의 및 한계

Diffusion Planner는 rule-based 정제 없이도 안정적이고 부드러운 경로를 생성하며, 다양한 운전 스타일을 실시간으로 조정할 수 있어 실용적 가치가 높다. 또한, nuPlan 및 200시간 배송 차량 데이터셋에서의 성능은 모델의 robustness와 transferability를 입증한다. 그러나, **denoise steps나 low-temperature sampling**과 같은 추론 시 하이퍼파라미터 조정이 성능에 영향을 줄 수 있으며, **real-time 적용 가능성**에 대한 평가가 추가적으로 필요하다. 또한, **복잡한 도심 환경에서의 장기 운행**에 대한 평가도 제한적이다.

실용적 활용

Diffusion Planner는 **자율주행 차량의 경로 계획**에 적용 가능하며, 특히 **다양한 운전 스타일을 지원하는 개인화된 서비스**나 **밀집된 도심 환경에서의 안전한 주행**에 유용하다. 또한, **배송 차량, 셔틀, 로봇 자동차** 등 다양한 이동 수단에 확장 적용 가능.