DiffAD: Ein einheitlicher Ansatz zur Diffusionsmodellierung für autonome Fahrzeuge

End-to-End-autonome Fahrt (E2E-AD) ist in kurzer Zeit zu einem vielversprechenden Ansatz für die Erreichung vollständiger Autonomie geworden. Allerdings nutzen bestehende E2E-AD-Systeme typischerweise einen traditionellen Multi-Task-Framework, bei dem Aufgaben der Wahrnehmung, Vorhersage und Planung durch separate, auf spezifische Aufgaben zugeschnittene Kopfmodule bearbeitet werden. Trotz der vollständig differenzierbaren Trainingsweise leiden diese Systeme weiterhin unter Problemen der Aufgabenkoordination, und die Systemkomplexität bleibt hoch. In dieser Arbeit stellen wir DiffAD vor – ein neuartiges Diffusionswahrscheinlichkeitsmodell, das die autonome Fahrt neu definiert als eine bedingte Bildgenerierungsaufgabe. Durch die Rasterisierung heterogener Objekte auf eine einheitliche Vogelperspektive (Bird’s-Eye-View, BEV) und die Modellierung ihrer latente Verteilung vereint DiffAD verschiedene Fahraufgaben und optimiert alle Fahraufgaben gemeinsam in einem einzigen Framework. Dadurch wird die Systemkomplexität erheblich reduziert und die Aufgabenkoordination deutlich verbessert. Der Rückwärtsprozess verfeinert iterativ das generierte BEV-Bild, was zu robusteren und realistischeren Fahrverhalten führt. Closed-Loop-Evaluierungen in der Simulation Plattform Carla belegen die Überlegenheit des vorgeschlagenen Ansatzes und erreichen einen neuen State-of-the-Art in Bezug auf Success Rate und Driving Score. Der Quellcode wird öffentlich verfügbar gemacht.