DiffusionDrive：用于端到端自动驾驶的截断扩散模型

端到端自动驾驶的规划头到底该输出一条轨迹，还是一个分布？这是这份资料真正在回答的问题。主流做法（Transfuser、UniAD、VAD 一类）从 ego-query 回归单条轨迹，无法体现驾驶行为固有的不确定性和多模式特性；VADv2 改用 4096 条 anchor 轨迹构成的大固定词表来离散化动作空间，再按预测分数采样。扩散模型在机器人策略学习上已被证明能从高斯噪声迭代去噪、采样出多模式且物理合理的动作，把它搬进端到端驾驶是很自然的想法，但实时性这道门槛此前没被跨过。这份工作就在这个缝隙里做文章：能不能既保住多模式表达力，又把去噪步数压到实时可用的量级。

方法上，作者先从最直接的迁移做起：把 Transfuser 的确定性 MLP 回归头换成条件扩散模型，得到 TransfuserDP 这个变体，用它作基线暴露问题。真正的方案由两部分组成——一是截断扩散策略，把高斯分布按先验驾驶模式拆成若干以 anchor 为中心的子高斯分布（anchored Gaussian distribution），通过截断扩散日程只在 anchor 附近注入少量噪声，让模型学习从 anchored Gaussian 到多模式驾驶动作分布的映射；二是级联扩散解码器，用 transformer 在每一步去噪中迭代精修轨迹，并通过 sparse deformable attention 与感知模块的结构化 query 以及 BEV、perspective view 特征交互。评测选在面向规划的 NAVSIM 数据集上，用对齐的 ResNet-34 backbone，与 vanilla diffusion policy 及其他端到端范式对照。

材料里最有价值的发现，是“直接套用会失败”这件事被讲清楚了。TransfuserDP 虽然提升了规划表现，却暴露出两个问题：vanilla DDIM 扩散策略需要 20 步去噪，推理开销大，实时性无从谈起；更麻烦的是，从不同高斯噪声采样出的轨迹彼此严重重叠，说明随机初始噪声并不会自然带来行为多样性。作者的切入点是观察人类驾驶员——人不是从零开始随机生成动作，而是遵循既有驾驶模式、再根据实时路况动态调整。于是把先验驾驶模式嵌进初始分布，去噪步数从 20 步压到 2 步，相比 vanilla diffusion policy 是 10 倍的削减，且在这 2 步里仍保持更好的多样性与质量。

性能上的数字比较集中：在 NAVSIM 上，DiffusionDrive 在不加任何额外技巧（without bells and whistles）的情况下取得 88.1 PDMS，作者称创下新记录，同时在 NVIDIA 4090 上以 45 FPS 运行，达到实时速度。值得注意的是，这一成绩是在对齐的 ResNet-34 backbone 下取得的，比较基准相对统一。与 VADv2 路线相比，它不需要 4096 条 anchor 那样的大固定词表就能覆盖潜在动作空间——按作者的论述，固定词表范式受限于 anchor 的数量与质量，在 out-of-vocabulary 场景下容易失效，维护大量 anchor 本身也有计算代价。挑战性场景上的定性结果进一步显示，模型能稳健生成多样且合理的驾驶动作。

这些结论意味着什么？我的解读是：扩散策略在驾驶场景的瓶颈未必是表达力，而是初始噪声的“盲目”和去噪链的长度。把先验结构注入初始分布，等于用一点先验换掉大量采样步数，这是一种相当务实的加速思路，可能比单纯蒸馏或砍网络深度更省事。对实践而言，45 FPS 这个量级说明规划头有希望与感知模块保持同一节奏，而不是成为流水线里的瓶颈；对做端到端规划的团队来说，这也提供了一个可复用的设计模板——先在动作空间里找先验（anchor、模式、词表），再让生成模型只负责在先验附近做局部细化。

适合读的读者大致是：做端到端规划、扩散策略、实时推理优化的研究者和工程师，尤其是已经在用 anchor 或词表方案、正在权衡“离散采样还是连续生成”的团队。读完能拿走的是一套完整的问题—诊断—方案链条，以及一组可对照的数字基准（20 步对 2 步、88.1 PDMS、45 FPS），外加作者开源的代码、模型与 demo。边界也该说明：材料只报告了 NAVSIM 这一个面向规划的数据集上的结果，backbone 固定为 ResNet-34，并未涉及真实道路闭环或长尾失效案例的量化分析；定性结果虽覆盖挑战性场景，却没有给出规模化统计。换句话说，这是一份有力但范围明确的方法论证，把它当成“扩散规划已可实时落地”的定论还为时过早。

DiffusionDrive: Truncated Diffusion Model for End-to-End Autonomous Driving Bencheng Liao1,2,⋄ Shaoyu Chen2,3 Haoran Yin3 Bo Jiang2,⋄ Cheng Wang1,2,⋄ Sixu Yan2 Xinbang Zhang3 Xiangyu Li3 Ying Zhang3 Qian Zhang3 Xinggang Wang2 1 Institute of Artificial Intelligence, Huazhong University of Science & Technology 2 School of EIC, Huazhong University of Science & Technology 3 Horizon Robotics Code & Model & Demo: hustvl/DiffusionDrive Abstract Recently, the diffusion model has emerged as a powerful generative technique for robotic policy learning, capable of modeling multi-mode action distributions. Leveraging its capability for end-to-end autonomous driving is a promis- ing direction. However, the numerous denoising steps in the robotic diffusion policy and the more dynamic, open- world nature of traffic scenes pose substantial challenges