清华大学智能产业研究院（AIR）联合小米汽车发布了Hyper Diffusion Planner (HDP)：一个面向真实道路部署的扩散模型端到端自动驾驶规划框架。不同于大量停留在开环指标或仿真结果的方法，HDP直接面向实车表现 从模型设计、训练范式都做了系统性探索，目标是回答一个关键问题：扩散模型在自动驾驶规划中的潜力，是否被真正发挥出来了？
近年来，多模态大模型（MLLMs）发展迅猛，从看图说话到视频理解，似乎无所不能。但你是否想过：它们真的“看懂”并“想通”了吗？这些模型在面对复杂的、多步骤的视觉推理任务时，能否像人类一样推理和决策？
清华大学智能产业研究院（AIR）执行院长刘洋教授团队，联合清华大学计算机系、复旦大学带来重磅新作——EscapeCraft：一个3D密室逃脱环境，让大模型像真人一样“动脑逃生”，用于评估多模态大模型在视觉环境中，完成复杂任务推理的能力。测评结果却意外频出：模型常常看到了门，却一直绕着墙走；捡起钥匙，却忘了怎么用；甚至有模型想去“抓”沙发，理由是“可能有暗格”……这不是个别翻车。而是系统性的“看见不代表理解”。即便是 GPT-4o 这样的明星模型，也只有少部分子任务是真的想明白了完成的，其它全是歪打正着。
•论文链接：https://arxiv.org/pdf/2602.22801
•项目主页：https://zhengyinan-air.github.io/Hyper-Diffusion-Planner/
•论文作者：郑一楠，谭添一，黄彬，刘恩光，梁睿鸣，张健霖，崔建伟，陈光，马昆，叶航军，陈龙，张亚勤，詹仙园，刘菁菁
背景：为什么我们还需要重新审视“扩散 + 自动驾驶”？
扩散模型在生成与决策任务中已经展现出强大能力，但在自动驾驶领域，很多工作仍然局限在开环回放或仿真环境。
要真正跑到实车上，挑战并不小：
能力与效率要同时满足：既要理解复杂场景，又要满足车端实时要求；
闭环误差会累积放大：一点偏差可能在连续决策中演化为明显风险；
过度工程掩盖模型能力：现有的工程落地方案依赖锚点、目标点等额外先验条件或重后处理，难以验证扩散模型本体上限。
我们希望走一条更“干净”的路线：在不过度堆叠先验的前提下，系统释放扩散模型在端到端规划中的潜力。
方法总览：HDP 做了什么？
1.重新审视扩散损失空间：规划任务要用“对的目标”训练
扩散模型常见的训练目标来自图像生成范式，但自动驾驶规划和图像生成有本质差异：规划轨迹是低维、强约束、强时序相关的决策输出。如果直接沿用“通用配置”，很容易出现训练不稳定、轨迹抖动和闭环表现退化。
为此课题组系统比较了 9 种 prediction-loss 组合（tau0 / v / epsilon 预测与监督的全组合），结论非常明确：
这一步的意义在于：先把扩散模型的“基础训练坐标系”调准，后续的表征设计与数据扩展才能真正起效。
2.轨迹表示双优融合：Hybrid Loss 同时兼顾几何与动力学
在轨迹表示上，研究人员观察到一个非常典型的 trade-off：
如果只选一边，就会在“轨迹形状”与“动力学平顺”之间做妥协。因此我们提出Hybrid Loss：模型仍然输出速度，但训练时同时施加两类监督：
理论上，我们证明了Hybrid Loss 仍然对应有效的扩散学习目标；
工程上，在实车闭环测试中它显著拉升成功率与稳定性，是从“能跑”到“跑得稳”的关键一步。
3.数据规模带来“涌现”：近亿级真实帧的系统验证
课题组做了从 10M 到 70M 帧的受控扩展实验，重点回答一个问题：真实数据规模到底能带来什么？
实验结果显示：
小数据下扩散规划容易模式塌缩；
数据规模上来后，多模态行为能力明显增强；
更重要的是，数据扩展不仅提升“平均分”，还提升了模型对长尾交通交互的覆盖能力：同一场景下可以生成更合理的多种可行行为，而不是单一僵化策略。这说明扩散规划在工业级数据条件下具备稳定、持续的可扩展潜力。
4.RL 后训练：进一步强化安全能力
模仿学习可以学到“像人开车”，但在安全关键场景中，仍然需要更直接的目标优化。因此在 IL 预训练之后，我们加入与 Hybrid Loss 兼容的 RL 后训练策略，重点针对安全相关行为做强化。
如果用一个更“公式化”的方式来描述，课题组先在旧策略基础上写出一个带 KL 正则的离线 RL 优化目标，用来约束新策略不要偏离原来的模仿策略：
这个目标的闭式最优解可以写成一条简单的“加权重采样”形式：在原策略的基础上，用 exp(β r) 对高回报轨迹进行放大：
在具体实现上，课题组并不显式采样这条新策略，而是把它“折叠”进扩散训练，得到一个带权重的混合回归损失：回报越高的样本，对应的扩散监督权重越大：
这里的范数与前文 Hybrid Loss 使用的是同一个加权范数，这样就把“更安全”的偏好自然注入到了同一套扩散 + 混合损失框架中，我们在论文中给出了详细的证明。相比之下，很多针对扩散模型的 RL 方法会把整个去噪过程当成一个多步 MDP：将每个 denoise step 拆成一个时间步，再用 PPO 等 RL 算法去优化整条“去噪轨迹”。这类方法一方面实现复杂，另一方面计算量和显存开销都显著增加。课题组的做法只是在原本的 IL diffusion loss 外面乘上一个简单的回报权重，相当于“加权监督学习”，既兼容现有训练管线，又能在几乎不增加工程复杂度的前提下，让扩散规划器朝着更安全的方向偏移。
最终得到 HDP-RL：在真实闭环场景中，模型在安全相关任务上的表现进一步提升，实现从“能开”到“开得更稳、更安全”的持续进化。
实车结果：不是仿真更优，而是真路更强
HDP 在真实道路闭环测试中覆盖多类城市场景，取得了显著收益：
一句话总结
HDP通过充分的实车实验证明了经过精心设计和训练的扩散模型，可以成为自动驾驶的强大且可扩展的Planner。
