安全感知的事件触发干预方法用于基于扩散模型的自动驾驶运动规划与决策制定

《Big Data and Cognitive Computing》：Safety-Aware Event-Triggered Intervention for Motion Planning and Decision Making in Diffusion-Based Autonomous Driving

　　

摘要
基于扩散模型的轨迹规划器在自动驾驶中表现出强劲的标准性能，但稀疏安全干预仍难以有效评估和实现。本研究通过提出一个安全感知的事件触发干预框架来解决这一问题，该框架构建在固定的DiffusionDriveV2规划器之上。该方法利用候选级风险信号和一个辅助语义风险触发器来决定何时激活干预，并通过保守重新选择与温和动作空间扩充来实现干预。为了在全局验证指标之外评估稀疏干预，研究人员进一步构建了正常、保守和实际轨迹，并引入了触发子集反事实评估。在NAVSIM navtest上，全局规划器指标在稀疏触发策略下几乎保持不变，但语义触发器在触发子集最终得分、碰撞时间（TTC）和进度方面优于匹配随机和基于TTC的触发器。定性案例表明，行为上不同的安全响应主要来自动作空间扩充而非仅候选重新排序。这些结果表明，所提框架能够诊断并部分缓解风险识别与动作实现之间的差距，同时揭示需要更强的语义条件动作生成来完全克服触发到动作的瓶颈。

**论文解读：基于扩散模型自动驾驶的安全感知事件触发干预框架**

**研究背景、问题与目的**
自动驾驶系统依赖基于多模态驾驶观测构建的高性能感知与决策管线，但系统不仅需要生成准确的标准轨迹，还需在交互风险增加时安全响应。在密集跟车、行人穿行或受限多智能体交互等安全关键场景中，规划器即使平均基准性能强劲，也可能需要保守干预。然而，强标准规划性能本身并不能解释规划器如何识别需干预的场景，或如何在激活干预后实现行为上不同的安全响应。现有基于学习的和基于扩散模型的轨迹规划器虽然展示了多模态预测与规划能力，但在干预时机与干预动作上常相互纠缠，导致整体评估混淆。此外，稀疏干预策略的效果在全局平均规划器指标中会被稀释，因此仅基于聚合基准分数的评估无法揭示干预机制是否真正改善了目标质量或动作实现。为解决这些差距，研究人员开发了一个安全感知的事件触发干预框架，构建在固定预训练的扩散模型规划器之上，旨在分离干预触发与下游动作实现，从而独立分析风险触发行为。

**研究内容、结论与意义**
研究人员提出了一个安全感知的事件触发干预框架，固定使用DiffusionDriveV2作为规划器骨干。该框架结合候选级自监控、事件触发的保守重新选择、可选的稀疏语义触发、动作空间扩充以及正常、保守和实际干预轨迹的反事实评估。通过触发子集反事实评估协议，研究人员发现语义触发在触发子集上优于匹配随机和基于TTC的触发，但全局平均指标几乎不变，揭示了触发到动作的翻译瓶颈。该研究发表在《Big Data and Cognitive Computing》上，其意义在于明确提出了稀疏安全干预的触发阶段与动作实现阶段的结构分解，并提供了反事实评估方法，为未来设计更有效的干预系统提供了诊断工具。

**关键技术方法（不超过250字）**
研究采用的主要关键技术方法包括：1) 事件触发稀疏干预策略，利用候选级风险信号（如无碰撞、可行驶区域、TTC、进度、舒适度）和基于视觉语言模型（Qwen3-VL-4B-Instruct）的离线语义风险缓存生成语义触发，决定何时激活干预；2) 动作实现模块，通过保守重新选择（使用TTC加权的效用函数）和温和动作空间扩充（纵向缩短与渐进安全缩放）实现干预，产生行为上不同的轨迹；3) 触发子集反事实评估协议，对比正常、保守和实际轨迹在全局和触发子集上的指标，诊断稀疏干预效果。样本队列来源为NAVSIM v1.1.0基准中的navtest分割。

**研究结果（保留每个小标题）**
**4.1 实验设置**：所有定量结果在NAVSIM navtest的固定评估协议上报告。主要比较四种设置：固定温和扩充基线、原始语义触发（Qwen3-VL语义缓存）、基于TTC的稀疏启发式基线、匹配随机稀疏控制。语义触发阈值0.5激活29个场景（0.24%触发率），TTC阈值0.93校准至相同稀疏预算。
**4.2 持有测试定量比较**：Table 2显示全局规划器指标在稀疏触发策略下几乎不变，语义触发未带来统计显著的全局改善。配对bootstrap分析表明全局最终得分和进度差异数值极小且置信区间为负。
**4.3 组件消融**：Table 3显示，触发单独激活无行为效果（需下游动作实现）；动作空间扩充是行为变化的主要驱动因素，无碰撞率提升约0.1%。
**4.4 触发子集反事实性能**：Table 4显示，在触发子集上，语义触发在最终得分、TTC和进度上均优于匹配随机和TTC基线，但全局无优势。
**4.5 与匹配随机控制的bootstrap分析**：Table 5确认语义触发在触发子集上一致优于随机控制，但全局指标无差异，说明目标质量改善未转化为全局性能提升。
**4.6 定性扩充成功案例**：Figure 2展示四个交互场景中，动作扩充产生更保守的安全行为（如提前减速、减少前进承诺），证明扩充可产生候选重新排序无法实现的差异。
**4.7 定性触发到动作瓶颈案例**：Figure 3展示一个场景，语义触发合理但未导致不同下游动作（如红灯前停车时所有轨迹重叠），说明当前瓶颈在于触发后的动作实现。
**4.8 持有测试发现总结**：语义触发提供子集级别的目标信号，但不足以改善全局平均指标，干预时机与动作实现应视为不同问题。

**总结讨论与结论**
研究结论部分翻译如下：
本文提出了一个面向基于扩散模型自动驾驶规划的安全感知干预框架。该框架构建在固定预训练扩散模型规划器之上，结合候选级自监控、稀疏干预触发、动作空间扩充和反事实评估。在持有测试navtest结果中，动作空间扩充成为实现行为上不同安全响应的主要机制。相比之下，原始语义触发虽在触发子集上持续产生更好的反事实结果，但未能在全局平均规划器性能上优于匹配随机稀疏控制。这些发现表明，干预目标质量与全局规划器性能可能显著分离。结合开发集上学习型稀疏选择器的诊断，持有测试结果指出当前系统的主要限制是触发到动作翻译瓶颈：系统可改善哪些场景被选中干预，但下游干预堆栈并不总能将改进的目标转化为行为上不同的动作。总体而言，本文的主要贡献包括：基于扩散模型规划器的事件触发干预框架，证明动作空间扩充是行为改变安全干预的主要来源，以及一种揭示全局规划器平均指标隐藏的干预质量效应的触发子集反事实评估方法。未来工作应通过更丰富的语义条件扩充、交互感知候选生成以及干预信号与轨迹合成之间的更紧密耦合，来改进触发后的动作层次表达性。