该论文旨在解决自动驾驶运动规划(motion planning)中如何平衡即时安全与长期目标的问题。研究背景是：现有基于扩散模型(diffusion model)的方法将轨迹视为整体，忽略了异质性的时间依赖性——近期规划受瞬时动力学约束，而远期规划受导航目标约束。
论文提出了时间解耦扩散模型(Temporally Decoupled Diffusion Model, TDDM)，其核心方法包括：
- 采用噪声即掩码(noise-as-mask)范式重新构建轨迹生成，将轨迹划分为具有独立噪声水平的段(segments)。
- 引入时间解耦自适应层归一化(Temporally Decoupled Adaptive Layer Normalization, TD-AdaLN)来注入段特定的时间步(timesteps)。
- 在推理阶段，使用非对称时间分类器无引导(Asymmetric Temporal Classifier-Free Guidance)，利用弱噪声的远期先验(priors)来指导即时路径生成。
论文的核心创新点在于：
- **时间解耦的轨迹建模范式**：首次将轨迹的近期与远期部分进行显式的噪声解耦处理，将高噪声视为信息空白(voids)，弱噪声视为上下文线索(contextual cues)，迫使模型利用保留较好的时间上下文来重建受损的近期状态。
- **TD-AdaLN架构设计**：专门设计的归一化层能够根据轨迹段的不同时间特性注入差异化的扩散过程信息。
- **非对称引导机制**：在推理时创新性地使用远期先验单向引导近期规划，实现了时间维度上的非对称信息流，更符合驾驶决策的因果逻辑。
论文对该领域的整体贡献是：
- 提出了一种新颖的时间解耦扩散规划框架，更精细地建模了运动规划中不同时间尺度的依赖关系。
- 在nuPlan基准测试上达到或超越了最先进(state-of-the-art)的基线方法，尤其在具有挑战性的Test14-hard子集上表现出色，验证了方法的有效性。
- 为自动驾驶的决策规划提供了一种新的、更符合物理和任务逻辑的生成式建模思路。