軌道計画2026/9/2arXiv:2609.02252v1

DiffuSearch：拡散と行動空間での整合した目的関数によるハイブリッド軌道計画の利点

DiffuSearch: How Hybrid Trajectory Planning Benefits from Aligned Objectives in Diffusion and Action Space

自動運転の軌道計画において、拡散モデルとモンテカルロ木探索を統合したハイブリッドプランナーを提案し、共通の運転目的関数を用いて生成と洗練を一貫させ、衝突回避と快適性を向上させた。

詳しい要約

1. どんなもの？

DiffuSearchは、自動運転の軌道計画のための新しいハイブリッドプランナーである。2段階アーキテクチャを採用し、まずguided diffusion modelがシーン整合的な軌道予測を生成し、次にMonte Carlo Tree Search (MCTS)が離散化されたアクション空間で局所的なrefinementを行う。両段階が衝突回避、走行可能領域遵守、快適性、進行という共通の運転目的を共有し、一貫性を高める。

2. 先行研究と比べてどこがすごい？

従来のハイブリッドプランニングは、異なる目的を持つモジュールの集合体であり、初期軌道とrefined軌道の間に不整合が生じ、準最適な挙動につながる問題があった。DiffuSearchは、生成とrefinementの全体にわたって統一された目的セットを導入することで、この問題に対処し、モジュール間の一貫性を向上させている点が新しい。

3. 技術・手法の肝は？

手法の肝は、拡散モデルのdenoisingプロセスを運転目的の微分可能なガイダンス関数で暗黙的に導くことと、MCTSの報酬関数として同じ運転目的を使用することである。これにより、拡散モデルのシーン整合性の強みと、MCTSの説明可能で制約を考慮したrefinementを相乗的に組み合わせる。

4. どうやって有効だと検証した？

nuPlanとinterPlanのreactive closed-loopベンチマークで実験を行い、特に複雑なインタラクティブシナリオにおいて、衝突の大幅な削減と快適性の向上を達成し、強い性能、しばしばstate-of-the-artの性能を示した。アブレーション研究により、MCTS refinementが性能向上の主なメカニズムであり、implicit guidanceとexplicit searchの間で目的を共有することでさらなる一貫した改善が得られることを確認した。

5. 議論はある？

要旨からは、MCTS refinementが主な性能向上に寄与しているが、目的共有の効果は比較的小さいことが示唆される。また、提案手法は複雑なインタラクティブシナリオで特に有効であるが、他のシナリオでの限界や、計算コスト、実世界への適用可能性などについては言及されていない。

6. 次に読むべき論文は？

要旨で参照されている関連研究として、hybrid trajectory planning、diffusion modelを用いた軌道生成、MCTSを用いたプランニング、nuPlanやinterPlanベンチマークに関する論文が挙げられる。具体的には、diffusion-based motion planningやMCTS-based planningの分野の定番論文を読むとよい。

※ AIが要旨から生成した要約です。正確性は原文をご確認ください。

著者: Steffen Hagedorn, Aron Distelzweig, Alexandru P. Condurache

分類: cs.RO, cs.AI

原文アブストラクト

In trajectory planning for autonomous driving, hybrid planning architectures are often realized as a collection of disparate modules, each with its own objectives. This lack of a unifying principle can lead to inconsistencies between the initial and refined trajectory, resulting in suboptimal behavior. We address this by introducing DiffuSearch, a novel hybrid planner that uses a unified set of objectives across generation and refinement. Our model encourages all components to follow the same shared driving goals: collision avoidance, drivable area compliance, comfort, and progress. DiffuSearch employs a two-stage architecture. First, a guided diffusion model generates a scene-consistent, joint trajectory prediction, using our driving objectives as differentiable guidance functions to implicitly steer the denoising process. Second, a Monte Carlo Tree Search (MCTS) in a discretized action space performs an explicit, local refinement of this proposal, leveraging the same driving objectives as its reward function. This synergistic design leverages the diffusion model's strength in finding scene-consistent solutions combined with the explainable, constraint-aware refinement of MCTS. Experiments on nuPlan and interPlan reactive closed-loop benchmarks demonstrate that DiffuSearch achieves strong and often state-of-the-art performance, substantially reducing collisions and improving comfort, particularly in complex, interactive scenarios. Our ablation studies indicate that MCTS refinement is the main mechanism behind the gains, while sharing objectives between implicit guidance and explicit search provides further consistent improvements.

arXivで原文を読む →arXiv概要ページ