自动驾驶规划与决策技术前沿：从扩散模型到强化学习的创新突破

点击下方卡片，关注“自动驾驶之心”公众号

戳我-> 领取自动驾驶近15个方向学习路线

自动驾驶技术的核心挑战在于如何让车辆在复杂、动态的交通场景中做出安全、高效的决策与规划。近年来，随着扩散模型（Diffusion Model）、大语言模型（LLM）和深度强化学习（DRL）等技术的快速发展，研究者们提出了诸多创新方法，从多模态感知到长尾场景泛化，从动态变道策略到可解释性规划，不断推动自动驾驶系统的智能化边界。本文精选了近年来18项代表性研究，涵盖扩散规划、强化学习决策、场景生成与测试、模仿学习优化等方向，试图为读者勾勒一幅自动驾驶规划与决策技术演进的立体图景。本文内容均出自『自动驾驶之心知识星球』，欢迎加入交流，这里已经汇聚了近4000名自动驾驶从业人员，每日分享前沿技术、行业动态、岗位招聘、大佬直播等一手资料！

1、 题目：Diffusion-Based Planning for Autonomous Driving with Flexible Guidance

链接：https://t.zsxq.com/JtUeU

简介：Diffusion Planner：基于扩散的柔性引导自动驾驶规划

时间：2025-01-28T23:52:12.534+0800

2、 题目：Evaluating Scenario-based Decision-making for Interactive Autonomous Driving Using Rational Criteria: A Survey

链接：https://t.zsxq.com/YBdrp

简介：全面综述DRL算法在典型自动驾驶场景中的应用，概括了道路特征及其最新进展

时间：2025-01-06T23:04:15.661+0800

3、 题目：Exploring Critical Testing Scenarios for Decision-Making Policies: An LLM Approach

链接：https://t.zsxq.com/VidUm

简介：探索决策策略的关键测试场景：一种LLM方法

时间：2024-12-10T22:36:42.652+0800

4、 题目：Why Studying Cut-ins? Comparing Cut-ins and Other Lane Changes Based on Naturalistic Driving Data

链接：https://t.zsxq.com/QgaGi

简介：基于自然驾驶数据的正常变道和cut-in的比较研究

时间：2024-02-16T21:47:39.587+0800

5、 题目：Reinforcement Learning for Freeway Lane-Change Regulation via Connected Vehicles

链接：https://t.zsxq.com/yxicN

简介：更优的变道策略：一种基于多智能体强化学习（MARL）的动态变道调控设计

时间：2024-12-08T21:25:02.106+0800

6、 题目：LHPF: Look back the History and Plan for the Future in Autonomous Driving

链接：https://t.zsxq.com/iwT0V

简介：LHPF：一种集成历史规划信息的模仿学习规划器

时间：2024-11-27T23:41:12.178+0800

7、 题目：Explanation for Trajectory Planning using Multi-modal Large Language Model for Autonomous Driving

链接：https://t.zsxq.com/LL5gu

简介：基于多模态大语言模型的自动驾驶轨迹规划解释

时间：2024-11-18T22:48:03.082+0800

8、 题目：SwapTransformer: highway overtaking tactical planner model via imitation learning on OSHA dataset

链接：https://t.zsxq.com/vHUfq

简介：SwapTransformer:基于OSHA数据集的模仿学习高速公路超车策略规划模型

时间：2024-01-04T21:09:06.440+0800

9、 题目：EMPERROR: A Flexible Generative Perception Error Model for Probing Self-Driving Planners

链接：https://t.zsxq.com/j5xAt

简介：EMPERROR：一种基于Transformer的生成性PEM，并将其应用于压力测试模仿学习（IL）基础的规划器

时间：2024-11-13T23:10:25.697+0800

10、 题目：DP and QP Based Decision-making and Planning for Autonomous Vehicle

链接：https://t.zsxq.com/udls3

简介：基于DP和QP的自动驾驶汽车决策与规划

时间：2024-11-12T23:03:53.713+0800

11、 题目：Maneuver Decision-Making with Trajectory Streams Prediction for Autonomous Vehicles

链接：https://t.zsxq.com/REYGb

简介：FFStreams++：用于不同动作（如无保护左转、超车和保持车道）的决策制定和运动规划

时间：2024-09-17T20:24:18.288+0800

12、 题目：Reliable Reinforcement Learning for Decision-Making in Autonomous Driving

链接：https://t.zsxq.com/GiYYN

简介：分享密歇根大学的一篇博士论文，主要研究用于自动驾驶决策的可靠强化学习！

时间：2024-09-08T16:18:28.248+0800

13、 题目：End-to-End Autonomous Driving Decision Method Based on Improved TD3 Algorithm in Complex Scenarios

链接：https://t.zsxq.com/AOiAN

简介：复杂场景下基于改进TD3算法的端到端自动驾驶决策方法

时间：2024-08-05T22:37:17.618+0800

14、 题目：Enhancing Autonomous Driving Navigation Using Soft Actor-Critic

链接：https://t.zsxq.com/FOToP

简介：近年来，自动驾驶汽车在学术界和工业界引起了广泛关注。对于这些自动驾驶汽车来说，由于交通参与者的不可预测行为和复杂的道路布局，城市环境中的决策带来了重大挑战。虽然基于深度强化学习（DRL）的现有决策方法显示出解决城市驾驶情况的潜力，但它们的收敛速度较慢，尤其是在具有高机动性的复杂场景中。在本文中，提出了一种基于Soft Actor-Critic（SAC）算法的新方法来控制自动驾驶汽车平稳、安全地进入环形交叉口，并确保其毫不延迟地到达目的地。为此，引入了一种使用卷积神经网络（CNN）与提取的特征连接的目标向量。为了评估模型的性能，在CARLA仿真器中进行了大量实验，并将其与深度Q网络（DQN）和近端策略优化（PPO）模型进行了比较。定性结果表明，与DQN和PPO模型相比，模型在高流量的场景中快速收敛，并取得了很高的成功率。

时间：2024-07-07T17:16:43.929+0800

15、 题目：An automatic driving trajectory planning approach in complex traffic scenarios based on integrated driver style inference and deep reinforcement learning

链接：https://t.zsxq.com/VXzaY

简介：如何解决复杂交通场景（如无信号灯交叉口）中对规划提出的挑战？

时间：2024-01-28T19:13:05.951+0800

16、 题目：SDS++: Online Situation-Aware Drivable Space Estimation for Automated Driving

链接：https://t.zsxq.com/8HUQU

简介：SDS++，旨在克服SDS的缺点，同时保留其优点

时间：2024-06-10T23:15:50.615+0800

17、 题目：Can Vehicle Motion Planning Generalize to Realistic Long-tail Scenarios?

链接：https://t.zsxq.com/yq8IU

简介：车辆运动规划能推广到真实的长尾场景吗？

时间：2024-04-12T23:09:46.682+0800

18、 题目：Towards learning-based planning: The nuPlan benchmark for real-world autonomous driving

链接：https://t.zsxq.com/Dwdyj

简介：走向基于学习的规划！现实世界自动驾驶的 nuPlan 基准

时间：2024-03-08T21:02:04.441+0800

19、 题目：On the Road to Portability: Compressing End-to-End Motion Planner for Autonomous Driving

链接：https://t.zsxq.com/N8rtR

简介：CVPR 2024 第一个专为压缩端到端运动规划器而设计的知识蒸馏框架

时间：2024-03-05T23:17:52.301+0800

从基于扩散模型的柔性轨迹生成，到结合大语言模型的可解释性规划；从面向长尾场景的鲁棒性强化学习，到轻量化端到端规划器的知识蒸馏——这些研究不仅展现了自动驾驶决策技术的多样性与创新性，也揭示了未来发展的关键趋势：多技术融合、场景化深耕与系统级验证。然而，如何将这些算法真正落地于复杂现实世界，仍需在安全边界定义、动态交互建模和人类驾驶行为兼容性上持续突破。可以预见，随着仿真基准（如nuPlan）的完善和生成式误差模型（如EMPERROR）的引入，自动驾驶的“智能进化”将加速迈向更高阶的自主性与可靠性。

『自动驾驶之心知识星球』，近4000人的交流社区，已得到大多数自动驾驶公司的认可！涉及30+自动驾驶技术栈学习路线，从0到一带你入门自动驾驶感知（端到端自动驾驶、世界模型、仿真闭环、2D/3D检测、语义分割、车道线、BEV感知、Occupancy、多传感器融合、多传感器标定、目标跟踪）、自动驾驶定位建图（SLAM、高精地图、局部在线地图）、自动驾驶规划控制/轨迹预测等领域技术方案、大模型，更有行业动态和岗位发布！欢迎扫描加入