Navigating Autonomous Vehicle on Unmarked Roads with Diffusion-Based Motion Prediction and Active Inference

本文提出了一种新的方法来改善自动驾驶车辆在缺乏清晰道路标记的环境下的控制，即在主动推理框架（AIF）中集成基于扩散的运动预测器。我们将一个模拟停车场环境作为无标记道路的平行环境，开发和测试我们的模型以有效地预测和引导车辆运动。基于概率动力学，扩散运动预测器预测车辆动作，而AIF在不确定性下帮助决策。与传统方法如模型预测控制（MPC）和强化学习（RL）不同，我们的方法减少了计算需求并需要较少的培训，提高了导航的安全性和效率。我们的结果证明了该模型在复杂场景中导航的能力，标志着自动驾驶技术的重大进展。

本论文旨在解决缺乏清晰道路标记的环境下自动驾驶控制的问题，通过在主动推理框架中集成基于扩散的运动预测器来实现。

该论文的关键思路是将基于概率动态的扩散运动预测器与主动推理框架相结合，从而在不确定性决策下提高自动驾驶的安全性和效率。

论文使用模拟停车场环境作为无标记道路的并行环境，证明了该模型在复杂情况下导航的能力，相较于传统方法如模型预测控制和强化学习，该方法减少了计算需求并需要更少的训练。

最近的相关研究包括基于深度学习的自动驾驶方法、基于传感器的自动驾驶技术、以及在缺乏标记道路的情况下使用半监督学习的方法等。