CLM-026
Claim
nuPlan 训练的模型零样本迁移 interPlan：相对共享生成管线的 Diffusion Planner 大幅领先，增益集中于安全维度（碰撞避免、TTC），progress/speed-limit 类项持平或微降；优势依场景类型非全域均匀。
| id | |
|---|---|
| type | claim |
| source | PPR-2606.26017 |
| scope | interPlan benchmark (335 handcrafted interactive/adversarial scenarios), zero-shot from nuPlan-trained model, no hyperparameter tuning; metric breakdown via nuPlan metrics |
| epistemic | unverified |
| lifecycle | EXTRACTED |
| updated |
Proposition
nuPlan 训练的 G2DP 零样本迁移到对抗性交互基准 interPlan（不调参、不重训），相对共享生成管线的 Diffusion Planner 取得大幅总分优势，且增益集中于安全维度（碰撞避免、TTC），progress/speed-limit 类项持平或微降；优势依场景类型非全域均匀（Nudge Around 子集仍被 Flow Planner 压制）。
Evidence refs
Notes
abstract 的 “+10.15 collision avoidance” 即指此表（G2DP\({}^\dagger\) 对 Diffusion Planner）。interactive 子集（Nudge Around / High Traffic / Jaywalk）中 G2DP 系在 Jaywalk 51.12 显著领先，Nudge Around 被 Flow Planner 72.96 压制——优势非全域均匀。
-
“安全增益不以牺牲推进为代价换取”是对 progress/speed-limit 微降的正向解读，属本库综合（论文未直说），非命题承重轴，故留本注不入命题。
-
口径锚点：nuPlan 闭环协议见 BMK-003（2026-09-07 增）。
关联（13）
- PPR-2404.07569 Can Vehicle Motion Planning Generalize to Realistic Long-tail Scenarios?（interPlan）
- PPR-2501.15564 Diffusion-Based Planning for Autonomous Driving with Flexible Guidance
- PPR-2606.26017 G2DP: Diffusion Planning with Spatio-Temporal Grid Guidance
- BMK-003 “nuPlan closed-loop planning benchmark (Val14 / Test14 / Test14-hard)”
- COD-004 Flow-Planner — Flow Planner 官方实现（DiffusionAD org，NeurIPS 2025）
- FRM-2606.26017 G2DP 五层重建：核心对象是 CPT-013 时空代价体（占据概率栅格 × 路线进度图融合）在推理期的可微引导；公理层为能量重加权目标分布、Top-K 车体聚合与末段注入等六个作者前提；论证主干是 Table 4 在同一 DiT 骨干下隔离『稠密网格 vs 稀疏实例』的引导模态消融（稀疏臂按 PPR-2501.15564 附录 C 实现、以 oracle 邻车供给）。
- CLM-038 无基准特化组件的规划器跨驾驶风格迁移保持：配送车（保守风格、非机动车道、密集交互）数据集上重训后取得最高闭环分，而含 nuPlan 特化设计（参考线、crosswalk 适配）的基线（PDM/GameFormer/PLUTO）掉分——迁移优势归因依赖作者解释，未经消融隔离。
- EVI-026 Tables 2–3：interPlan 零样本 G2DP† 62.55（+9.65），collision +10.15、TTC +10.75；progress/speed limit 略降。
- SYN-002 三源合成：diffusion 管线三段可分解改造——LDM 表示层（latent 感知压缩）、DiT 骨干层（ViT 替换 + Gflops 标度）、G2DP 采样层（推理期引导插件）；三论文是时间上的实际组合链（DiT 复用 LDM first-stage，G2DP 用 DiT 骨干），层独立性判断 CLM-013/009/032 解释组合可行性。
- CLM-025 co-source 同一 diffusion 骨干下，稠密概率性 cost 网格引导促成平滑、预见性的避障；稀疏实例级引导即使供给 oracle 邻车轨迹仍诱发末期突变机动并损害舒适度——避障行为质量由引导信息形态决定。
- CLM-027 co-source 零样本迁移真实无人机记录的密集城市交通（DeepScenario，NR）：安全与路线推进增益保持，碰撞避免与推进维度大幅超过 Diffusion Planner、推进维度反超规则基线 PDM-Closed；drivable area 与 driving direction 非最优。
- CLM-031 co-source 去掉邻车历史输入的 history-free 变体在 reactive/interactive 闭环下反而更优，且加事后规则精修后的增益依赖远小于稀疏引导对照（作者推断）；该优势严格限于 reactive/interactive 设定，NR 下不成立。
- CLM-032 co-source 稠密网格引导是纯推理期模块：占据预测器与生成骨干分开训练、仅在推理耦合，不重训不改骨干即可注入解析梯度，且部分替代事后规则精修（作者推断）。