DRIFT: Drift and Aggregation for Motion Planning

📄 arXiv: 2607.14507v1 📥 PDF

作者: Yining Xing, Zhiyuan Liu, Zehong Ke, Wenhao Yu, Jianqiang Wang

分类: cs.RO

发布日期: 2026-07-16

备注: 8 pages, 3 figures, 4 tables. Under review at IEEE RAL

💡 一句话要点

提出DRIFT以解决多假设运动规划问题

🎯 匹配领域: 支柱一：机器人控制 (Robot Control)

关键词: 运动规划 轨迹生成 多假设方法 自动驾驶 深度学习

📋 核心要点

  1. 现有的轨迹规划方法在实时性和多样性方面存在不足，难以有效处理多种驾驶行为的模糊性。
  2. DRIFT通过结合一步漂移和场景感知的提案聚合，提出了一种高效的固定深度规划器，能够直接生成最终轨迹。
  3. 在NAVSIM navtest上，DRIFT的表现优异，达到了89.6 PDMS和90.4 EPDMS，显示出显著的性能提升。

📝 摘要（中文）

端到端的轨迹规划器需要在实时约束下表示多种可能的驾驶行为，同时生成单一可执行的轨迹。基于提案的方法通过生成多个候选轨迹来解决这一模糊性，但将提案集转换为最终计划仍然是一个关键设计问题。本文提出的DRIFT是一种固定深度的规划器，它结合了在紧凑轨迹潜在空间中的一步漂移与场景感知的提案聚合。DRIFT解码器在单次批处理过程中生成48个提案特征，并通过轻量级聚合头直接预测最终轨迹。实验结果表明，DRIFT在NAVSIM navtest上达到了89.6 PDMS和90.4 EPDMS，展现出强大的可驾驶区域合规性和自我进展能力。

🔬 方法详解

问题定义：本文旨在解决端到端轨迹规划中多假设生成与最终轨迹转换的挑战。现有方法在实时性和多样性方面存在不足，难以有效处理多种驾驶行为的模糊性。

核心思路：DRIFT通过在紧凑的轨迹潜在空间中进行一步漂移，并结合场景感知的提案聚合，提出了一种高效的固定深度规划器，能够在实时条件下生成最终轨迹。

技术框架：DRIFT的整体架构包括一个预训练的视觉编码器、DRIFT解码器和轻量级聚合头。解码器生成多个提案特征，聚合头则整合场景、导航和自我状态信息，直接预测最终轨迹。

关键创新：DRIFT的主要创新在于其一步漂移的潜在提案生成和直接聚合的设计，使得多假设运动规划变得更加高效，与现有方法相比，显著降低了计算复杂度。

关键设计：DRIFT解码器在单次批处理过程中生成48个提案特征，使用32个样本（alpha=0.5）和16个样本（alpha=0.9）。聚合头不需要轨迹级别的质量标签，通过专家轨迹模仿和地图导出的边界正则化进行训练。

🖼️ 关键图片

fig_0
fig_1
fig_2

📊 实验亮点

DRIFT在NAVSIM navtest上取得了89.6 PDMS和90.4 EPDMS的优异成绩，展现出强大的可驾驶区域合规性和自我进展能力。其提案生成和聚合模块在NVIDIA RTX 4090上运行时间为10.82毫秒，整体模型推理时间为66.43毫秒，显示出显著的性能优势。

🎯 应用场景

DRIFT的研究成果在自动驾驶、机器人导航等领域具有广泛的应用潜力。通过高效的多假设轨迹规划，能够提升自动驾驶系统在复杂环境中的决策能力，增强安全性和可靠性。未来，DRIFT有望在实时交通管理和智能交通系统中发挥重要作用。

📄 摘要（原文）

End-to-end trajectory planners need to represent multiple plausible driving behaviors while producing a single executable trajectory under real-time constraints. Proposal-based approaches address this ambiguity by generating multiple candidates, but converting the proposal set into a final plan remains a key design problem. We present DRIFT, a fixed-depth planner that combines one-step drifting in a compact trajectory latent space with scene-aware proposal aggregation. Conditioned on features from a pretrained visual encoder, the DRIFT Decoder generates 48 proposal features in a single batched pass, with 32 samples at alpha=0.5 and 16 samples at alpha=0.9. A lightweight Aggregation Head integrates these features with scene, navigation, and ego-state information and directly predicts the final trajectory without requiring trajectory-level quality labels for aggregation. Its output is trained with expert-trajectory imitation and a map-derived boundary regularizer that penalizes waypoints outside the drivable polygon and inside waypoints near its boundary. On NAVSIM navtest, DRIFT achieves 89.6 PDMS and 90.4 EPDMS, with strong drivable-area compliance and ego progress among the methods compared. The proposal-generation and aggregation module runs in 10.82 ms on an NVIDIA RTX 4090, while full-model inference including the visual backbone takes 66.43 ms. These results show that one-step latent proposal generation and direct aggregation provide an efficient design for multi-hypothesis motion planning.