自動運転のための時間的にデカップルした拡散計画法

要旨: 動的な都市環境におけるモーションプランニングでは、即時の安全性と長期目標の両立が求められます。拡散モデルは多峰性の意思決定を効果的に捉えますが、既存の手法では軌道を単一の実体として扱うため、近い将来の計画が瞬間的なダイナミクスに制約され、遠い将来の計画がナビゲーション目標に制約されるような、異種の時間的依存関係を見落としています。これに対処するために、我々はTemporally Decoupled Diffusion Model（TDDM）を提案します。これは、ノイズをマスクとみなすパラダイムによって軌道生成を再定式化するものです。軌道を独立したノイズレベルを持つセグメントに分割することで、暗黙的に高いノイズを情報の空白として、低いノイズを文脈上の手掛かりとして扱います。これにより、より保存された時間文脈との内部相関を活用して、損なわれた近未来の状態を再構成することがモデルに強制されます。アーキテクチャとしては、セグメント固有のタイムステップを注入するTemporally Decoupled Adaptive Layer Normalization（TD-AdaLN）を導入します。推論時には、非対称のTemporal Classifier-Free Guidanceを用い、弱くノイズ化された遠未来の事前情報を利用して、即時の経路生成を導きます。nuPlanベンチマークでの評価では、TDDMは最先端のベースラインに匹敵するかそれを上回る性能を示し、とりわけ難しいTest14-hardサブセットで顕著な優れた成績を収めています。