Diffusion Forcing Planner: History-Annealed Planning with Time-Dependent Guidance for Autonomous Driving¶

会议: CVPR 2026
论文: CVF Open Access
代码: 待确认
领域: 自动驾驶 / 扩散模型
关键词: 运动规划, 扩散模型, Diffusion Forcing, 分类器无关引导, 时序一致性

一句话总结¶

针对学习型规划器"逐帧抖动"和"照抄历史轨迹"两难，DFP 把整条轨迹切成历史/当前/未来若干 chunk、给每块独立加噪联合去噪，再在推理时用「历史退火 CFG」可控地调节历史影响强度，在 nuPlan 闭环上既稳又能随场景自适应，达到学习型基线里的 SOTA。

研究背景与动机¶

领域现状：扩散模型天然能表达多模态分布、生成长时序输出，近来被大量塞进端到端（E2E）和 VLA 自动驾驶 pipeline 里做轨迹规划，Diffuser、Diffusion Policy、Diffusion Planner 都是这一路的代表。

现有痛点：模仿学习训练出来的扩散策略对 demonstration 和场景噪声非常敏感——哪怕环境只有细微扰动，输出轨迹也会显著漂移，造成逐帧之间的不稳定，闭环里直接体现为乘坐不适和安全隐患。规划本质上是非马尔可夫的：合理的动作不仅取决于当前观测，也取决于过去的观测与动作，所以"把历史利用起来"是稳定输出的自然思路。

核心矛盾：但历史是把双刃剑。如果像很多方法那样把历史当成一个静态条件、和环境上下文平起平坐地喂进去，模型就会偷懒去复刻历史运动模式（causal confusion），而不是根据环境变化调整未来决策——在分布漂移下闭环性能反而更差。于是一派方法（PlanTF 等）小心设计架构 + dropout 来用历史，另一派（多数扩散规划器）干脆完全丢掉自车历史来避免偏置，却牺牲了时序连贯性。两条路都没解决"既要稳、又要响应实时环境"的根本张力。

本文目标：让历史既不被忽略、也不被当成无条件的硬约束，而是以一种可控的方式参与生成——并且这个"可控强度"最好能在推理时调节。

切入角度：作者借鉴视频扩散里的 Diffusion Forcing Transformer（DFoT），它用「加噪即遮蔽」（noising-as-masking）机制选择性地暴露/退火历史片段，在生成质量与稳定性之间取得平衡。作者的关键洞察是：运动规划与视频生成共享同一种因果结构，但有个本质差异——视频里的历史帧是真实内容，而驾驶历史里过时的运动模式会主动误导当前决策，因此历史必须在强场景上下文下被可控调制。

核心 idea：把整条轨迹切成历史/当前/未来 chunk，给每块采样独立的扩散时间步实现 noising-as-masking，训练时联合预测历史与未来；推理时用历史退火的分类器无关引导（CFG），让一个可调系数在线权衡"时序稳定"与"实时响应"。

方法详解¶

整体框架¶

DFP（Diffusion Forcing Planner）建立在 Diffusion Planner 之上，是一个 chunk 级别的扩散 Transformer。给定场景上下文 \(C\)（周围 agent、静态物体、车道、导航）和历史信息 \(H\)，目标是把源分布 \(p_0(x_0)\) 沿概率路径变换到目标分布 \(q(x_1|C,H,w)\)，其中 \(x_1\) 是生成的未来轨迹，\(w\) 是调节历史影响强度的引导因子。学习目标是捕捉历史、未来、环境三者之间良好校准的依赖关系，同时避免把历史 \(H\) 退化式地照抄进 \(x\)。

整条流水线分两大块：训练用 Diffusion Forcing（逐块独立加噪 + 联合预测历史/未来），推理用历史退火 CFG（双分支并行 + 线性融合）。承载这两块的是一个 chunk-wise DiT：把每个 chunk 当作一个 token，配 token 级位置嵌入和 per-token 时间嵌入，DiT block 内用 adaLN（FiLM 式）注入条件、自注意力沿 token 轴打通历史—当前—未来的长程依赖、交叉注意力把感知上下文 \(C\) 注入每个 token。

%%{init: {'flowchart': {'rankSpacing': 24, 'nodeSpacing': 28, 'padding': 6, 'wrappingWidth': 400}}}%%
flowchart TD
    A["完整轨迹<br/>历史 + 当前 + 未来"] --> B["切成 N 个 chunk<br/>每块覆盖 L 个轨迹点"]
    B --> C["Diffusion Forcing 训练<br/>逐块独立加噪 + 联合去噪历史与未来"]
    C --> D{推理}
    D -->|无引导分支| E["历史置纯噪声"]
    D -->|引导分支| F["历史退火 CFG<br/>时间相关退火历史"]
    E --> G["CFG 线性融合<br/>系数 w 控历史强度"]
    F --> G
    G --> H["拼接未来块 + 重叠羽化<br/>输出规划轨迹"]

关键设计¶

1. Diffusion Forcing 训练：切块 + 逐块独立加噪，强迫模型学因果一致的条件生成

痛点直指"历史被当静态条件就会被照抄"。DFP 把完整轨迹 \(x_0=[x_0^{-H},\dots,x_0^0,\dots,x_0^F]\in\mathbb{R}^{S\times4}\)（\(S=H+1+F\)，每个状态是坐标 + 朝向的 4 元组）均匀切成 \(N\) 个长度 \(L\) 的连续 chunk，按时间跨度分为 \(N_H\) 个历史块、1 个当前块、\(N_F\) 个未来块，且任何 chunk 都不混合历史点与未来点。当前状态只有单个时刻，复制 \(L\) 份凑成一个 chunk 以便统一处理。关键在于：每个 block \(b\) 采样一个独立的噪声水平 \(t_b\sim U(0,1)\)，按 SDE marginal 加噪 \(x_{t_b}^{(b)}=\alpha(t_b)x_0^{(b)}+\sigma(t_b)\varepsilon^{(b)}\)。模型输入是各块加噪结果的拼接 \(X_t\)、per-chunk 时间 \(t=[t_1;\dots;t_N]\) 以及全局条件 \((C,H)\)，用 \(x_0\)-prediction 参数化训练一个扩散 Transformer \(f_\theta\)。

为什么这样有效：随机化 \(t_b\) 正是「加噪即遮蔽」——大 \(t_b\) 把某块淹没在强噪声里（相当于遮蔽），小 \(t_b\) 把它干净地暴露出来。训练时把当前块噪声水平固定 \(t_{\text{cur}}=0\)，形成一个锚定 plan 的硬边界。损失同时对历史块和未来块做去噪回归并加权：

\[\mathcal{L}_{\text{denoise}}=\frac{\lambda_{\text{hist}}}{N_H}\sum_{b=1}^{N_H}\mathbb{E}\big[\|\hat{x}^{(b)}-x_0^{(b)}\|_2^2\big]+\frac{\lambda_{\text{futr}}}{N_F}\sum_{b=N_H+2}^{N}\mathbb{E}\big[\|\hat{x}^{(b)}-x_0^{(b)}\|_2^2\big]\]

让模型在"历史有时可见、有时被遮蔽，未来不同部分有时可见有时遮挡"的各种混合配置下学到稳定、因果一致的条件生成——而不是简单复刻历史。⚠️ 上式损失下标以原文 Eq.4 为准（原文公式排版有少量错位）。

2. History-annealed CFG 推理：双分支线性融合，把"历史影响强度"做成一个可调旋钮

光会训练还不够——推理时怎么可控地用历史？DFP 用分类器无关引导（CFG），推理时跑两个共享采样器、只在历史块构造方式上不同的分支。所有未来块都从噪声初始化、拼上干净的当前块以施加硬边界。在去噪步 \(s\)（全局时间 \(t_s\in[0,1]\)）：

无引导分支：把历史块每一步都替换成纯噪声 \(\varepsilon\sim N(0,1)\)，彻底切断历史信号泄漏；其关联时间重置为 1，未来块时间随扩散过程下降，时间向量取 \(t=\{1,\dots,1,t_0,t_s,\dots,t_s\}\)，与训练时逐块独立时间步设置一致。得到 \(\hat{X}_{0,\text{unguided}}=f_\theta([\varepsilon,X_{t_s}],t,C)\)。
引导分支：把干净历史 \(X_{\text{history}}\)（经退火，见设计 3）与 \(X_{t_s}\) 拼接，得到 \(\hat{X}_{0,\text{guided}}=f_\theta(X_{\text{guidance}};X_{t_s},t|C)\)。

两分支线性融合：

\[\hat{X}_0=\hat{X}_{0,\text{unguided}}+w\big(\hat{X}_{0,\text{guided}}-\hat{X}_{0,\text{unguided}}\big)\]

其中 \(w\in[0,1]\) 直接控制历史引导对最终预测的影响。这就是 DFP 最实用的地方：稳定 vs 灵活的权衡变成了一个推理期可调系数，不用重训。最后把预测的各未来块拼回单条序列，相邻块重叠处做线性羽化（feathering）保证平滑过渡。

3. 时间相关历史退火：让历史从噪声快速回到真值，防止未来被历史过度拉扯

设计 2 的引导分支若一直喂"干净历史"，会出现新问题——消融里 A6 显示：历史持续保持 clean 时，在某些场景会变得过度主导，策略黏在历史运动模式上、反应迟钝。解法是给 ground-truth 历史加一条时间相关退火调度：历史块起始接近噪声、随后快速回到干净值：

\[X_{\text{guidance}}=\alpha(t)X_{\text{history}}+\sigma(t)\varepsilon,\quad t=(t_s)^\beta\]

这里 \((t_s)^\beta\)（\(\beta\ge1\)）让早期步更接近噪声、最终步更接近真值。直觉上，扩散早期未来还很不确定，此时弱化历史避免它把未来"锁死"成历史的延续；扩散后期再把干净历史拉回来做精修。未来块的扩散时间步逐块独立退火，与训练时 chunkwise-independent time 设计一致；每个 chunk 有自己的 SDE marginal 和噪声水平，从而既区分历史与未来，又增强跨块的灵活性与连续性。

损失函数 / 训练策略¶

训练在 1M nuPlan clips 上进行，每个 clip 含 2s 历史 + 8s 未来、10 Hz 采样，每点编码为 \((x,y,\cos\theta,\sin\theta)\)，统一到自车当前位姿为原点、朝向对齐 x 轴的 ego 坐标系，做逐通道 z-score 归一化。历史段噪声水平 \(t\) 从 Beta 分布采样，使样本集中在 \(t\approx0\)（干净）和 \(t\approx1\)（纯噪声）两个极端，对齐推理时的配置。切块 \(N=6\)、每块 \(L=20\) 点（当前块由单个当前状态复制 20 份得到），全部用 \(x_0\)-prediction，推理用 DPM-Solver 加速采样。全局 batch 2048、训 500 epoch（5 epoch warmup），AdamW，学习率 \(2\times10^{-4}\)。

实验关键数据¶

主实验¶

nuPlan 闭环评测，分非反应式（NR，其他 agent 用 log-replay）和反应式（R，其他 agent 用 IDM 策略），三个标准切分。所有方法都直接用原始模型输出、不加任何后处理，保证公平对比。

数据集	设置	Diffusion Planner	DFP（ours）	DFP-FM（ours）
Val14	NR	89.87 / 87.87*	90.33	92.68
Val14	R	82.80 / 77.48*	79.97	81.30
Test14	NR	89.19 / 90.01*	90.69	90.62
Test14	R	82.93 / 79.61*	81.96	83.59
Test14-hard	NR	75.99 / 74.26*	76.91	79.43
Test14-hard	R	69.22 / 61.25*	63.56	67.94

*为作者复现版（与原报告略有出入）；DFP-FM 是 DFP 接 Flow Matching 采样器。相对作者复现的 Diffusion Planner* 基线，DFP 在 Val14 NR/R 分别 +2.46 / +2.49，Test14-hard NR +2.65 且略超 CoPlanner（76.82）。

场景级 Case Study（Val14, 非反应式）¶

场景类型	方法	Score	Comfort	Collision
All(1118)	DP	87.80	91.86	95.53
All(1118)	DFP	90.33	96.69	96.60
High speed(99)	DP	84.50	60.61	95.96
High speed(99)	DFP	94.95	96.97	98.99
Low speed(100)	DP	86.51	94.00	97.00
Low speed(100)	DFP	91.08	96.00	98.00

最戏剧性的是高速场景：DFP 的 Comfort 从 DP 的 60.61 飙到 96.97（+30 多分），对应"近乎直线匀速行驶时 DP 帧间抖动、DFP 因历史引导 CFG 保持稳定航向与速度"的定性观察。状态保持型场景（低/高速）总分分别 +4.57 / +10.45，转向场景（左/右转）也一致超过 DP，说明可控历史引导既稳又能随环境演化保持响应。

消融实验（Val14）¶

ID	Diffusion Forcing	Chunk(L>1)	History Guidance	Annealed History	NR	R
A1	✗	✗	✗	✗	87.87	77.48
A2	✓	✗	✗	✗	85.18	75.27
A3	✗	✓	✗	✗	87.58	77.10
A4	✓	✓	✗	✗	88.79	77.49
A5	✓	✗	✓	✗	86.56	75.93
A6	✓	✓	✓	✗	89.24	79.16
A7	✓	✓	✓	✓	90.33	79.97

关键发现¶

逐点加噪（L=1）会掉点：A2 把每个轨迹点都当独立 chunk 加噪（L=1），NR 反而从 87.87 跌到 85.18——单点 token 几乎没有轨迹语义，模型得靠长程依赖把一堆噪声微步拼成连贯 plan，credit assignment 变难。A3/A4 证明 L>1 把连续步分组成 chunk 才能恢复并提升性能。
历史引导必须配 chunk 才奏效：A5（有历史引导但无 chunk）相对基线提升微弱，说明把历史硬塞进非分块解码器不足以利用历史；A6（chunk + 干净历史引导）才拿到明显增益。
退火是临门一脚：A6→A7 加上 Annealed History，NR 再 +1.09（89.24→90.33），印证"持续干净历史会过度主导、退火能平衡历史影响并让模型在场景变化时调整未来 plan"。
超参敏感性：历史引导强度 \(w\) 和退火速度 \(\beta\) 太弱太强都伤性能，最佳权衡在 \(w=0.2\)、\(\beta=2.0\)。

亮点与洞察¶

把"用不用历史"从二选一变成连续旋钮：以往要么丢历史（保稳但失连贯）、要么强加历史（连贯但照抄），DFP 用一个推理期可调系数 \(w\) 让历史影响在线连续可调，这是它最有迁移价值的设计——同一个模型可按场景需要调稳定/灵活。
跨域迁移的精准改造：直接搬视频扩散的 noising-as-masking 不行，因为驾驶历史的"过时模式"是会害人的内容而非真实内容。作者识别出这个差异，针对性加了"历史退火 + 双分支 CFG"，是"借鉴 + 抓本质差异改造"的范例。
chunk 粒度是隐藏关键：消融里最反直觉的是逐点加噪反而更差，提醒大家 Diffusion Forcing 在轨迹域要配合合适的 chunk 长度才有语义，否则 credit assignment 崩掉。
公平评测立场：全程"原始输出、零后处理"对比，挤掉了后处理带来的虚高，结论更可信。

局限与展望¶

历史超参需要调：\(w\) 与 \(\beta\) 在 Val14 上选出 0.2 / 2.0，但不同数据分布/车型/场景下最优值是否稳定、能否自适应在线选取，论文未深入。
反应式（R）增益不如非反应式：从表 1 看，DFP 在 R 设置（尤其 Test14-hard R 仅 63.56，低于 Diffusion Planner 原报告 69.22）并非全面领先，说明在真正交互密集、对手会反应的场景里，纯历史引导对"博弈式响应"的帮助有限。⚠️ 注意 DP 原报告与作者复现差距较大，横向比较需谨慎。
只在 nuPlan 验证：benchmark 单一，且评的是规划层（已给感知/上下文 \(C\)），端到端从原始传感器输入起的鲁棒性未测。
改进方向：把 \(w/\beta\) 做成随场景上下文（如速度、交互密度）动态预测的函数，或把历史退火与博弈式交互建模（如 CoPlanner 的 contingency）结合，弥补反应式场景短板。

评分¶

新颖性: ⭐⭐⭐⭐ 把视频扩散的 Diffusion Forcing 迁到规划，并原创"历史退火 CFG"做推理期可控历史强度，思路清晰
实验充分度: ⭐⭐⭐⭐ nuPlan 三切分闭环 + 场景级 case study + 完整逐项消融 + 超参扫描，但 benchmark 单一、反应式增益偏弱
写作质量: ⭐⭐⭐⭐ 动机—方法—消融逻辑顺畅，公式排版有少量错位
价值: ⭐⭐⭐⭐ "历史影响可在线调节"对落地规划很实用，零后处理对比立场扎实