PPR-2306.03083
Paper
MotionDiffuser: Controllable Multi-Agent Motion Prediction using Diffusion
| id | |
|---|---|
| updated | |
| type | paper |
| title | MotionDiffuser: Controllable Multi-Agent Motion Prediction using Diffusion |
| authors | Chiyu Max Jiang, Andre Cornman, Cheolho Park, Benjamin Sapp, Yin Zhou, Dragomir Anguelov |
| venue | CVPR 2023 (arXiv:2306.03083) |
| arxiv | 2306.03083 |
| tier | 0 |
| lifecycle | EXTRACTED |
| epistemic | n/a |
| ingested | 2026-09-09 |
| version | arXiv:2306.03083v1 |
| source-hash | 6be2063896f7fbf6722d305c0f7b28eee87229f492484e2a0f007ee21c4a5854 |
| admitted-under | A2-direct-edge |
| admission-note | G2DP 扩散规划谱系的前置工作（related work 引用）：把扩散搬到多智能体可控运动预测的范式实例——G2DP 的『扩散+引导』在轨迹/多智能体域的近亲。 |
定位
提出 MotionDiffuser 的原始论文（CVPR 2023，Waymo）。面向多智能体轨迹预测的联合分布建模：用一个扩散模型表示多智能体未来轨迹的联合分布，替代逐智能体独立预测。核心卖点：高多模态分布、单 L2 损失且不依赖轨迹锚点、置换不变的联合建模、PCA 压缩轨迹以获得精确的样本对数概率；在此之上提出一般化约束采样框架——用可微代价函数做受控采样，可施加规则/物理先验、构造定制仿真场景。
方法（机制要点）
- 联合分布扩散：多智能体轨迹作为一个整体做扩散建模（置换不变），预测未来轨迹的联合分布而非逐智能体边际。
- PCA 压缩轨迹表示：把高维轨迹压到低维主成分空间训练，既提升性能又允许高效计算精确采样对数概率（对约束采样/拒绝采样关键）。
- 约束采样框架：以可微代价函数（规则、物理先验、目标）引导采样——这与 G2DP 的引导思想同源（可微代价 → 采样期修正），但作用于多智能体轨迹预测而非驾驶规划闭环。
与 G2DP 的关系
G2DP（PPR-2606.26017）扩散规划谱系的前置工作（related work 引用 MotionDiffuser 作为『扩散+引导』范式在轨迹预测域的实例）。差异：MotionDiffuser 做多智能体预测、约束作用于轨迹采样；G2DP 做驾驶规划、稠密占据场引导作用于去噪循环。两者共享“可微代价函数引导扩散采样”的机制基因。
承重关系
- 谱系锚点：扩散规划/预测谱系（Diffuser PPR-2205.09991 → MotionDiffuser → Diffusion Planner PPR-2501.15564 → G2DP）的多智能体预测旁支。库内 SYN-003 记其角色。
- provenance：v1 tarball sha256
6be20638…4a5854，缓存cache/sources/2306.03083/。
关联（4）
- PPR-2205.09991 Planning with Diffusion for Flexible Behavior Synthesis
- PPR-2501.15564 Diffusion-Based Planning for Autonomous Driving with Flexible Guidance
- PPR-2606.26017 G2DP: Diffusion Planning with Spatio-Temporal Grid Guidance
- SYN-003 G2DP 引导谱系四支合成：机制（classifier guidance→CFG→DPS）、扩散规划（Diffuser→MotionDiffuser→Diffusion Planner→FlowPlanner/pSTL/CTG）、安全硬约束（CBF 系）、稠密网格（HYPE/TPP/NaviDiffusor）；G2DP 立四支交点——把『稠密分布性网格』放到『可微+时空+入去噪循环』。