CLM-031
Claim
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。
| id | |
|---|---|
| type | claim |
| source | PPR-2606.26017 |
| scope | G2DP vs G2DP† (history-free: neighbor-agent history stacks removed, current states only) on nuPlan closed-loop; reactive settings |
| epistemic | unverified |
| lifecycle | EXTRACTED |
| updated |
Proposition
移除全部邻车历史输入、仅用当前状态（history-free 变体）在 reactive 与 interactive 闭环设定下反而更优，且加事后规则精修后的性能增益依赖远小于稀疏引导对照（作者推断：精修依赖差异被解读为网格引导已与规则化安全准则部分对齐；作者解释：历史特征与 log-replay 的时间相关性在反应式重演下分布漂移，无特征层证据）。该优势严格限于 reactive/interactive 设定：非 reactive（NR）场景下带历史的原变体多数指标更高。
Evidence refs
Notes
非 reactive 场景下 G2DP（带历史）多数指标更高（如 Val14 NR 92.26 vs 91.08），故 “† 更强” 限于 reactive/interactive 设定，不可推广到 NR。
关联（10）
- PPR-2501.15564 Diffusion-Based Planning for Autonomous Driving with Flexible Guidance
- PPR-2606.26017 G2DP: Diffusion Planning with Spatio-Temporal Grid Guidance
- 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-032 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）。
- EVI-031 Table 1/2 + 正文：G2DP† reactive +3.7、interPlan +0.81、精修依赖 +4.1 vs DP +12.8。
- 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-026 co-source 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。
- 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-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）。