MISTY：基于混合器的单步漂移式高吞吐量运动规划

MISTY: High-Throughput Motion Planning via Mixer-based Single-step Drifting

作者: Yining Xing, Zehong Ke, Yiqian Tu 等6人

arXiv: 2604.21489v1

分类: cs.RO, cs.AI

📝 论文摘要

多模态轨迹生成对于安全自动驾驶至关重要，然而现有基于扩散的规划器因迭代式神经函数评估导致高推理延迟。本文提出MISTY（基于混合器的单步轨迹漂移生成），一种高吞吐量生成式运动规划器，通过纯单步推理实现最先进的闭环性能。MISTY集成了向量化子图编码器以捕获环境上下文、变分自编码器将专家轨迹结构化为紧凑的32维潜在流形，以及超轻量级MLP-Mixer解码器以消除二次注意力复杂度。重要的是，我们引入潜在空间漂移损失，将复杂分布演化完全转移至训练阶段。通过构建显式吸引力和排斥力机制，该机制使模型能够合成新颖的主动式操作（如主动超车），而这些操作在原始专家演示中几乎不存在。在nuPlan基准上的广泛评估表明，MISTY在具有挑战性的Test14-hard分割上实现了最先进结果，在非反应式和反应式设置中综合得分分别达到80.32和82.21。MISTY以超过99 FPS的帧率运行，端到端延迟仅10.1毫秒，相比迭代扩散规划器实现了一个数量级的加速，同时生成鲁棒性显著提升。

📊 核心分析

🎯 研究动机

多模态轨迹生成(multi-modal trajectory generation)对于安全自动驾驶至关重要，但现有的基于扩散(diffusion)的规划器由于迭代神经函数评估导致高推理延迟，需要一种高吞吐量的单步推理方法。

🔧 核心方法

提出MISTY框架，集成矢量化的子图编码器(Sub-Graph encoder)捕捉环境上下文、变分自编码器(Variational Autoencoder, VAE)将专家轨迹压缩为32维潜空间(latent manifold)、超轻量级MLP-Mixer解码器消除二次注意力复杂度，并引入潜空间漂移损失(latent-space drifting loss)通过显式吸引力和排斥力将分布演化转移到训练阶段。

💡 核心创新

核心创新在于潜空间漂移损失(latent-space drifting loss)，通过显式吸引力和排斥力机制在训练阶段模拟复杂分布演化，使模型能够合成主动超车等新颖、主动的机动动作，这些动作在原始专家演示中几乎不存在，同时实现纯单步推理。

🏆 总体贡献

在nuPlan基准测试的Test14-hard子集上取得非反应式和反应式设置下80.32和82.21的综合分数，以超过99 FPS和10.1 ms端到端延迟运行，比迭代扩散规划器快一个数量级，同时保持鲁棒的生成性能。