新的扩散模型如何改变自动驾驶方法？

新的扩散轴：从噪声到质量。

与其依赖于经典方法（即模型去除轨迹中的高斯噪声），QualiDrive新模型引入了一种创新的机制--沿着驾驶质量轴进行扩散。研究人员没有将质量视为额外的引导信号，而是决定将其用作轨迹生成过程的中心轴。该模型为每个场景构建所谓的“质量阶梯”，比较和排序已知的轨迹，并根据其真实的驾驶质量（即安全、平稳和高效地执行）进行排序。

模型的每个反向步骤都取决于当前场景、车辆状态以及所需的质量水平。这使得能够精确地将轨迹调整到特定条件--例如在交通拥堵或变道时。结果是，该模型不仅生成轨迹，而且逐步从低质量发展到高质量，从而影响最终的质量。研究表明，这种方法不仅仅是理论上的--它对测试结果有实际影响。

在NAVSIM上的结果：质量优于平均水平。

在模拟复杂道路情况的NAVSIM测试中，QualiDrive在v1版本中达到了94.5 PDMS，并在最新技术中达到了92.74 EPDMS（v2）。这些结果不仅从数值角度来看很重要，而且也具有质量意义。研究表明，该模型不仅提高了轨迹的平均质量，还大大增加了高质量解决方案的比例。与仅基于监督最终质量的方法相比，EPDMS高于0.95的轨迹比例从12.94%增加到21.53%，而高于0.98的轨迹比例从9.71%增加到15.93%。

重要的是，EPDMS的改进并不显著--从98.52到98.57--但这是因为最终监督已经非常有效。不同之处在于，新的方法不仅提高了平均水平，还扩展了良好解决方案的范围。这意味着该系统更有可能在困难的情况下生成高质量的轨迹--这对于安全性和用户信任至关重要。

这对自动驾驶的未来意味着什么？

一种新的方法，用于沿质量轴进行扩散，这可能对自主系统的发展产生深远的影响。如果模型不仅生成轨迹，而且逐步地从低质量到高质量地改进它，那么这意味着对过程有更大的控制，并且更好地理解是什么使一个轨迹比另一个轨迹更好。这可能会导致在困难情况下做出更可预测和更安全的决策--例如，在超车或通过十字路口时。

与此同时，值得强调的是，结果仅限于 NAVSIM 测试，尚未证实其在实际道路条件下的有效性。该模型仅在模拟中进行了测试，其在现实世界中的运行方式仍然未知。缺乏关于计算性能、响应时间或对传感器噪声的鲁棒性的数据。因此，虽然结果令人鼓舞，但现在还不能谈论完全实施--这只是朝着一种新方法迈出的一步，而不是一个现成的解决方案。

扩散作为质量过程，而不仅仅是去噪。

研究结果表明，在自主模型中，扩散不仅是一个去除噪声的过程--它还是一个逐步改进质量的过程。当模型以有条不紊的方式学习如何逆转轨迹的恶化时，它开始理解“良好”机动意味着什么。这改变了范式：与其生成“更少噪声”的东西，系统学会生成“更好”的东西。这种方法对于建立信任可能至关重要--如果用户知道该系统不仅可以避免错误，而且还会努力做出最高质量的决策。

然而，这并不意味着一切都已经解决。该模型仍然依赖于模拟数据，并且尚未在实际条件下进行验证。此外，关于其可扩展性、性能或与现有控制系统集成的能力的信息也很少。因此，虽然这种新方法很有希望，但它的实际应用需要进一步的研究和在现实世界中的测试--但它已经表明，自主驾驶的未来可能不在于更大的计算能力，而在于对决策质量更深入的理解。