RAPiD: Schnelle, deterministische Fahrtrajektorien dank Diffusionsvorwissen

Ein neuer Beitrag auf arXiv (2602.07339v1) präsentiert RAPiD, ein innovatives Verfahren zur Echtzeitplanung von Fahrtrajektorien. Das Ziel ist es, die Vielseitigkeit von Diffusionsmodellen zu nutzen, ohne deren langsamen, stochastischen Sampling-Prozess.

Diffusionsbasierte Planer sind bekannt dafür, die multimodale Natur menschlichen Fahrverhaltens gut abzubilden. Ihre iterative Probabilistik erschwert jedoch die Anwendung in sicherheitskritischen, Echtzeitumgebungen, wie sie bei autonomen Fahrzeugen erforderlich sind.

RAPiD löst dieses Problem, indem es eine deterministische Policy aus einem vortrainierten Diffusionsplaner extrahiert. Durch score‑regularisierte Policy‑Optimierung wird die Score‑Funktion des Modells als Verhalten‑Prior genutzt, um das Lernen zu steuern. Zusätzlich wird die Policy mit einem Kritiker trainiert, der einen prädiktiven Fahrcontroller imitiert, wodurch eine dichte, sicherheitsorientierte Rückmeldung entsteht.

Die Evaluation zeigt, dass RAPiD in geschlossenen nuPlan‑Szenarien eine 8‑fach schnellere Ausführung als klassische Diffusionsbasierte Baselines erreicht und gleichzeitig die beste Generalisierung unter lernbasierten Planern im interPlan‑Benchmark erzielt.

Weitere Informationen und den Quellcode finden Sie auf GitHub: https://github.com/ruturajreddy/RAPiD.