Zespół badawczy przedstawił DiDrive, nową metodę łączącą modele dyfuzyjne z offline reinforcement learning w celu zwiększenia bezpieczeństwa autonomicznych pojazdów. Układ składa się z dwóch głównych komponentów: architektury Risk-Aware Hierarchical Diffusion (RHDif) oraz paramatru optymalizacyjnego 3DICE, które wspólnie rozwiązują problemy związane z przesunięciem dystrybucji danych, sygnałami ryzyka i generowaniem akcji poza rozkładem treningowym.
RHDif pracuje na dwóch poziomach - niskonioziomowy enkoder filtruje zbędne dane z otoczenia i identyfikuje zagrożenia, podczas gdy moduł kontekstowy na wyższym poziomie skupia się na zagrożeniach krytycznych dla bezpieczeństwa. 3DICE z kolei kalibruje generowanie akcji pojazdu, optymalizując je w wymiarze czasowo-przestrzennym i eliminując nadmierne szacowania i fluktuacje gradientów.
Walidy framework na symulatorze CARLA wykazały znaczną przewagę DiDrive nad istniejącymi podejściami - w złożonych scenariuszach z gęstym ruchem (60 pojazdy) system osiągnął 85% współczynnik sukcesu i 4295.68 średniej nagrody. Wyniki sugerują, że DiDrive stanowi solidną podstawę do podejmowania bezpiecznych decyzji przez pojazdy autonomiczne w rzeczywistych warunkach ruchu, szczególnie w sytuacjach o wysokim ryzyku.