DiDrive: Ein risikogesteuertes hierarchisches Diffusion-Framework für sicheres Offline-Reinforcement-Learning beim autonomen Fahren

arXiv:2609.01609v1 Während Diffusion-Modelle multimodale Verhaltensrichtlinien für autonomes Fahren effektiv erfassen, bleiben Offline-Reinforcement-Learning-Richtlinien anfällig für Distribution Shift, Heavy-Tailed-Risikosignale und Out-of-Distribution-Aktionsgenerierung