自动驾驶的端到端规划，在过去一年里被三篇论文接连推上新高度。
ResAD、DiffusionDrive、DiffusionDriveV2，名字像三兄弟，但你要是以为它们只是V1、V2、V3的堆料升级，那就大错特错了。
我在深挖了这三篇论文之后，发现一个很有意思的现象：它们在用三种完全不同的武器，打同一场仗。
今天这篇文章，我不准备按论文顺序平铺直叙。我们换一个姿势——从“端到端规划到底死在哪三个痛点上”出发，看这三篇工作各捅破了哪一层窗户纸。
看完你会明白：谁解决了速度问题，谁解决了“学不会”的问题，谁解决了“候选集太烂”的问题。
痛点一：扩散规划太慢了，车上不能用
自动驾驶里用扩散模型做规划，最早的想法很直接：像生成图片一样，从一团噪声慢慢去噪出一条完美轨迹。
理想很丰满，现实很骨感。
去噪几十步，车载芯片直接卡成PPT。而且从纯噪声里凭空生成轨迹，太没“规矩”了——有时候生成一条蛇形走位，有时候生成一个根本不符合物理规律的路线。
谁来解决这个问题？ DiffusionDrive。
它的思路极其聪明：不从头造轮子，给一个差不多的雏形，微调就行。
具体怎么做的？先用车库里的几千条真实驾驶轨迹，用K-means聚类出20个典型“走法”——比如左转类、直行类、右转类。这些就叫 anchor（锚点）。
推理的时候，模型不再从白噪声开始，而是从这20个anchor附近的小扰动出发，只去噪2步，就能输出一条高质量轨迹。
效果呢？
一句话总结：DiffusionDrive让扩散规划第一次在车上跑得起来。
痛点二：原始轨迹太难学，模型总是学歪
DiffusionDrive虽然快了，但它用的还是老一套——直接让模型预测原始轨迹坐标。
这有什么问题？
想象一下：一条4秒的轨迹，近处的点坐标变化小，远处的点坐标变化大。模型在训练的时候，远处那几个大数值的点，会轻松压过近处的小数值点。
后果是什么？模型学会了“大概齐”把远端走对，但近端的安全细节——比如要不要微调方向避开一个路沿——反而被忽略了。
这就像一个学生只做大题，不做小题，最后小题全错。
谁来解决这个问题？ ResAD。
ResAD说：我们别直接预测“未来轨迹是什么”了，改问一个更聪明的问题——“为什么当前轨迹要偏离一个最自然的惯性轨迹？”
什么叫“最自然的惯性轨迹”？就是假设车子什么都不做，按照当前速度和方向盘角度，自然往前滑行出来的那条线。
模型要学的不是整条轨迹，而是偏离这条惯性线的残差。而且这个残差还会被归一化，让近端和远端的优化权重变得均衡。
打个比方：
哪个更容易学？显然是后者。
ResAD在相同的ResNet-34骨架下，直接把PDMS从88.1拉到88.8，就是这个道理。
痛点三：多模态候选集里混进了“害群之马”
DiffusionDrive虽然快，ResAD虽然稳，但它们都有一个共同的问题：
训练的时候，只盯着最像真实轨迹的那一条候选去优化，其他19条anchor生成的轨迹没人管。
结果就是：候选集里经常藏着一些压线的、碰撞的、或者过于猥琐的轨迹。虽然最终选路器不一定会选中它们，但万一选路器犯糊涂呢？
谁来解决这个问题？ DiffusionDriveV2。
V2的思路是：既然只监督一个正样本不够，那就让强化学习的奖励信号来监督所有候选。
它用了类似GRPO（分组相对策略优化）的方法：
最后再加上一个coarse-to-fine的选择器，从粗到细地挑出最终轨迹。
结果呢？
在NAVSIM v1上，PDMS从88.1直接飙升到91.2。 这说明什么？生成器的能力没变，只是把候选质量整体拉高，闭环成绩就能大涨。
V2的启示很深刻：多模态规划的下一个战场，不是生成更复杂的轨迹，而是让整组候选都“健康”。
一张表看懂三篇论文的本质区别
| | | |
|---|
| 核心瓶颈判断 | | | |
| 解决思路 | | | |
| 改了什么 | | | |
| 类比 | | | |
| NAVSIM v1 PDMS | | | 91.2 |
演进路线：不是V1→V2→V3，而是一场“接力补位”
如果你把这三篇论文当成一个系列的三个版本，就完全理解错了。
真实的关系是：
DiffusionDrive先冲出来，解决了“能不能用”的问题（扩散规划实时化）。
ResAD没沿着它的路走，而是绕到后面，解决了“好不好学”的问题（轨迹表示重构）。
DiffusionDriveV2又回到DiffusionDrive的主线上，补上了“候选集质量不稳”的漏洞（RL约束）。
这就像修一条高速公路：
三者不是替代关系，而是互补关系。
下一代该往哪走？
读完这三篇，一个很自然的问题浮现出来：
能不能把ResAD的“残差轨迹表示”和DiffusionDriveV2的“RL候选约束”结合起来？
用ResAD的方式，让模型学得更稳、更物理可解释
用V2的方式，让候选集整体质量再上一个台阶
我猜，这会是下一篇顶会论文的方向。
另外还有一个开放问题：ResAD目前没有开源代码，很多想复现的人只能看着论文干瞪眼。希望作者能尽快放出代码，让社区在这个方向上继续迭代。
写在最后
如果你只记住三句话，我希望是这三句：
DiffusionDrive 告诉你：扩散规划可以快，给个先验就行。
ResAD 告诉你：有时候换个问题比优化答案更重要。
DiffusionDriveV2 告诉你：多模态规划的尽头，是让每一个候选都靠谱。
自动驾驶的端到端规划，远没有到终局。但这三篇论文，已经为我们画出了三条清晰的进化路径。
剩下的，就看后来者怎么把它们融合、超越、落地了。
｜参考文献：
DiffusionDrive: https://arxiv.org/abs/2409.17013
ResAD: https://arxiv.org/abs/2510.08562
DiffusionDriveV2: https://arxiv.org/abs/2512.07745
NAVSIM Benchmark: https://github.com/autonomousvision/navsim
