RAPiD: Pianificatori di Diffusione in Tempo Reale tramite Distillazione di Coerenza Guidata da Ricompense

Un nuovo framework chiamato RAPiD è stato sviluppato da ricercatori per la pianificazione della traiettoria di guida autonoma in tempo reale. Questo sistema trasforma un DiffusionPlanner pre-addestrato in un modello studente di coerenza più veloce, riducendo significativamente il ritardo di denoising iterativo che spesso ostacola le applicazioni in tempo reale. RAPiD supporta la generazione di traiettorie multi-modali e facilita l'inferenza in due passi. Il suo addestramento incorpora passi di denoising deterministici dell'insegnante dal planner di diffusione statico e un'ancora di dati a basso rumore per garantire l'allineamento della traiettoria con le dimostrazioni esperte. Per migliorare la sicurezza, un critico di Apprendimento Q Implicito viene addestrato utilizzando un insieme bilanciato di riproduzioni di log ground-truth e traiettorie di rollout di DiffusionPlanner, ciascuna valutata con una ricompensa modificata in stile PDM, offrendo una guida a livello di traiettoria oltre l'apprendimento per imitazione standard. Questo framework è dettagliato in un articolo arXiv recentemente aggiornato (2602.07339) e affronta il problema significativo della latenza nei planner basati su diffusione, consentendo potenzialmente la loro applicazione in sistemi di guida autonoma a ciclo chiuso.