RiskDiffuser: Continuous risk conditioning for diffusion planning in autonomous driving

Yao Qian

doi:10.1016/j.eswa.2026.133115

RiskDiffuser: Continuous risk conditioning for diffusion planning in autonomous driving

2026-09-29

0

PRE

AI

DOI：10.1016/j.eswa.2026.133115

原文链接

原文求助

摘要

En 中文

现有自动驾驶生成式规划方法通常将规划建模为从场景上下文到未来轨迹的直接生成过程。然而，它们普遍缺乏显式且连续的行为调节机制，这限制了其根据场景风险水平调整规划风格的能力。为解决此问题，本文提出了一种风险条件下的扩散规划框架，用于连续行为调节。具体而言，场景风险被建模为一个独立的连续条件并注入轨迹去噪过程中，使规划器能够在同一场景上下文中生成具有不同安全裕度和交互模式的轨迹。为支持此框架，通过整合未来交互信息与场景上下文构建了连续风险表示，以提供风险监督信号；并开发了一个风险评估网络，用于从场景表示中推断连续风险值。在此基础上，设计了一个风险条件下的扩散规划器，其中风险调节的时间嵌入连续引导反向扩散过程。此外，引入了风险一致性约束，以强化风险条件与生成行为之间的单调关系。在nuPlan基准的闭环实验中，RiskDiffuser在Val14分割的响应式和非响应式评估中分别取得了81.76和88.98的分数，显示出具有竞争力的规划性能。结果表明，连续风险调节能够在保持闭环性能的同时实现风险感知的行为调节。源代码将公开发布于https://github.com/YQ-097/RiskDiffuser。

Keyword:

Autonomous driving

Risk conditioned planning

Diffusion models

Continuous behavior modulation

RiskDiffuser: Continuous risk conditioning for diffusion planning in autonomous driving

摘要

期刊

机构

引用论文