NE时代

在自动驾驶中，闭环轨迹规划要求车辆在复杂动态的交通环境中，做出既安全又能快速响应的行驶决策。而扩散模型因能精准捕捉人类多样化的驾驶行为，已经成为闭环轨迹规划中热门的研究方向。

但此前的扩散模型存在一个关键缺陷。为了利用人类专家的驾驶轨迹（锚点）做引导，采用了截断扩散策略，即直接从带噪锚点开始去噪，而非扩散模型原本的纯高斯噪声。

这就导致模型的前向扩散和反向去噪过程出现理论不对称，违背了扩散模型的核心原理，不仅容易让车辆出现不可预测的行驶行为，还会拉低规划性能的稳定性。

近期，在ICLR2026上，博世团队提出了全新的扩散桥策略BridgeDrive，该策略一举解决了传统扩散模型的理论痛点，在自动驾驶闭环轨迹规划落地过程中提供技术支撑。

BridgeDrive采用轻量高效架构，支持实时部署。模型架构由感知、去噪器、锚点分类器三大模块组成，各司其职又高效协同。

感知模块基于成熟的 TransFuser++，精准提取激光雷达、车载相机的多模态融合特征。锚点分类器通过注意力机制，从预定义的专家锚点中快速选取出最优轨迹。去噪器融合场景、锚点和时间信息，完成轨迹的精细化生成。

01.

BridgeDrive解决了传统扩散模型哪些痛点？

以具体来看，BridgeDrive主要解决了扩散模型的四大痛点。

首先是上文提到的截断扩散调度带来的“理论不一致”与“前向/逆向过程不对称”问题。对此，BridgeDrive自动驾驶规划任务重新定义为扩散桥过程，不再粗暴的截断扩散过程。而且BridgeDrive模型的起点是锚点而不是噪声，通过数学公式将规划任务实现从粗糙的专家锚点轨迹，到贴合场景、精细化规划轨迹的转化。这种彻底抛弃传统截断扩散的操作，让模型的前向扩散和反向去噪过程完全对成，既充分发挥专家锚点的安全引导作用，又保留了扩散模型建模多模态驾驶行为的优势，从根源上解决了理论缺陷。

其次是解决时间速度航点表示的歧义性和泛化难题。传统的扩散模型通常采用时间速度航点（temporal speed waypoints）来表示轨迹，即通过相同时间间隔下航点之间的物理间距来隐式编码速度控制信息，这种编码方式存在严重的歧义性，并且很难泛化。（例如，在不同速度下超车，模型需要大幅度拉伸航点间距来适应）。BridgeDrive的方案是抛弃时间航点，改用几何路径航点作为输出形式，把行驶路径和速度作解耦处理。几何路径学习统一的驾驶模式，速度通过一个标量灵活调整，不仅让轨迹的泛化能力大幅提升，还更贴合道路的实际拓扑结构，能有效减少车辆偏离车道、违反行驶约束的情况，超车、变道等场景的规划精度也显著提高。

然后是解决在模糊场景喜爱缺乏方向性与惯性过大的问题。因为完全扩散模型通常从纯高斯噪声开始生成轨迹，当面对目标点距离较短、需要紧急变道或存在歧义的复杂场景时，受限于模型对自车固有惯性的学习，往往无法及时做出急转弯等机动，容易直行错过目标甚至发生碰撞。BridgeDrive的方案是利用聚类得到的人类专家典型驾驶行为作为先验模块，在生成开始前先通过分类器选出最优锚点，在通过扩散桥策略对其进行精细化去噪。得益于锚点提供的强大引导力，使得模型能够克服惯性，在模糊场景下严格遵循目标点进行安全合规的操作，比如准确驶入分叉路口。

最后是闭环测试中误差放大与实时性的矛盾。这是因为在闭环测试中细微的预测误差会随着时间推移被不断放大，就需要采用高度复杂的扩散模型。但高度复杂的扩散模型往往计算成本高，难以满足真实上路的实时性需求。而BridgeDrive解决了理论不一致后，在闭环测试中可以大幅降低误差累积（在 Bench2Drive 基准上成功率超越以往最佳方案 7.72%）。整体架构适配一阶ODE求解器，不用复杂计算，单帧推理速度就能达到0.10秒，无需额外优化就能满足自动驾驶的实时部署需求，训练过程还无需仿真依赖，效率拉满。

02.

测试结果

BridgeDrive在包括自动驾驶闭环权威基准Bench2Drive在内的多项数据集中表现亮眼。

基于 PDM-Lite 数据集,BridgeDrive 的驾驶得分达 87.99、闭环规划成功率74.99%，较此前最优方法分别提升 2.92、7.72个百分点;在 LEAD 数据集上，成功率更是达到89.25%、驾驶得分 96.34，超基线方法 2.45、1.14个百分点。

在合并、交通标志识别等自动驾驶核心场景，BridgeDrive 的多能力平均得分较SOTA 提升 6.12%，几何路径航点的优势尽显，相较传统时间速度航点，让扩散模型规划成功率最高提升15.09%。

在鲁棒性与实用性方面，模型对锚点选择的容错性很高，就算选到次优锚点，仍能保持 60% 以上的规划成功率。同时推理速度满足实时需求，完全适配实际驾驶场景。在时间速度航点方面，BridgeDrive选用了几何路径航点作为输出形式，把形式路径和速度解耦处理。几何路径学习统一的驾驶模式，速度则通过一个标量灵活调整，不仅让轨迹的泛化能力大幅提升，还更贴合道路的实际拓扑结构，能有效减少车辆偏离车道、违反行驶约束的情况，超车、变道等场景的规划精度也显著提高。

03.

实际表现

在评审环节中，博世团队针对更多疑问也进行了一一答复。

首先是实际表现和理论的差距。博世团队展示了长达30 秒的闭环轨迹模拟中，传统截断扩散（Truncated Diffusion）由于前向/反向过程的不对称性，会导致轨迹逐渐偏离车道中心线（Drift）。而 BridgeDrive 通过 SDE（随机微分方程）确保了终点分布的确定性，使得长时预测的均方误差（MSE）降低了约 15%-20%。

其次是对于锚点依赖性的质疑，即如果前段给出的初始锚点是错的，扩散桥能救回来么？对于此，博世团队解释道，锚点在扩散桥中扮演的是“软约束”并非“硬约束”。为此补充了一组数据，人为给初始锚点引入20度的航向角偏差。实验结果显示，BridgeDrive 能够利用周围环境的 BEV 特征（Contextual Features），在去噪过程中自动修正错误的锚点方向，将车辆拉回到正确的路径上。这证明了模型具有极强的“容错与精炼”能力。

对于车载芯片无法运行扩散桥模型的担忧。博世团队提供了在Orin-X 上的实测数据：在特定优化下，整个规划模块的推理延迟控制在 30ms - 50ms 以内，完全满足自动驾驶系统 10Hz 的闭环刷新频率要求。同时强调，BridgeDrive 支持 One-step/Few-step 生成。通过知识蒸馏（Distillation）或一致性模型（Consistency Training），将迭代次数压缩到 1-4 步，而不明显损失精度。

在极端场景应对方面，博世团队录制并展示了在“无保护左转”和“强行切入（Cut-in）”场景下的闭环表现。视频证明了 BridgeDrive 生成的轨迹在面对他车挑衅行为时，能够表现出灵活的减速避让或加速超越，而不是机械地跟随锚点。