확산 강제 계획기: 시간 의존적 지침을 활용한 히스토리 기반 계획 - 자율 주행

Diffusion Forcing Planner: History-Annealed Planning with Time-Dependent Guidance for Autonomous Driving

최근 발전에도 불구하고 학습 기반 경로 계획기는 종종 시간적 일관성 문제를 겪습니다. 프레임 간의 작은 변화가 누적되어 불안정한 경로를 생성하고, 이는 폐루프 주행에서 편안함과 안전성을 저하시킵니다. 일부 방법은 출력을 안정화하기 위해 과거 정보를 정적인 조건부 신호로 주입하려 하지만, 결과적으로 계획기가 환경 맥락에 적응하는 대신 과거 패턴을 단순히 모방하게 됩니다. 이러한 한계를 해결하기 위해, 본 논문에서는 히스토리 기반 제어를 통해 작동하는 확산 기반 계획 프레임워크인 Diffusion Forcing Planner (DFP)를 제안합니다. 구체적으로, DFP는 전체 경로를 과거, 현재 및 미래 구간으로 분해하고 각 구간에 독립적인 노이즈 레벨을 할당합니다. 모델은 과거 및 미래 구간을 동시에 디노이징하여 이질적인 결합 확산 프로세스를 적용합니다. 추론 과정에서, 분류기-프리 가이드(CFG)를 사용하여 조절 가능한 방식으로 과거 정보를 활용하여 미래 샘플링을 제어합니다. nuPlan 데이터셋에 대한 폐루프 평가 및 다양한 실험 결과를 통해 DFP가 복잡한 주행 시나리오에서 연속적이고 안정적이며 제어 가능한 경로 계획 성능을 제공함을 확인했습니다.

Learning-based motion planners, despite recent progress, often suffer from temporal inconsistency. Small perturbations across frames can accumulate into unstable trajectories, degrading comfort and safety in closed-loop driving. Several methods attempt to inject history as a static conditioning signal to stabilize outputs, only to induce the planner to copy historical patterns instead of adapting to environment contexts. To address this limitation, we propose Diffusion Forcing Planner (DFP), a diffusion-based planning framework driven by history-guided control. Specifically, DFP decomposes the full trajectory into history, current and future segments, and assign independent noise levels to each segment. The model jointly denoises the historical and the future segments, enforcing a heterogeneous joint diffusion process. At inference, classifier-free guidance (CFG) is applied to steer future sampling using annealed history in a controllable manner. Closed-loop evaluation and comprehensive ablations on nuPlan show that DFP achieves competitive performance while producing continuous, stable, and controllable motion plans in complex driving scenarios.