CLM-032
Claim
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）。
| id | |
|---|---|
| type | claim |
| source | PPR-2606.26017 |
| scope | G2DP guidance mechanism vs generative backbone coupling; nuPlan-trained DiT backbone + frozen U-Net occupancy predictor, coupled at inference only; 10-step DPM-Solver (CPT-029) |
| epistemic | unverified |
| lifecycle | EXTRACTED |
| updated |
Proposition
稠密时空 cost 网格引导可作为纯推理期模块叠加于既有 diffusion 规划骨干：占据预测器与生成骨干分开训练、仅在推理耦合，骨干不重训、架构不改（作者表述 “without retraining the backbone” / “without altering the generative backbone”）；引导能量对轨迹状态的梯度可解析求出，直接注入采样更新即可成形（论文 §3.3 推导）。由此引导与骨干及采样算法正交、即插即用，并部分替代事后规则精修的职能——加 nuPlan-tuned 精修后的性能增益依赖显著小于稀疏引导对照（作者推断）。该插拔性的使用边界是引导调度敏感性（注入窗口、尺度、聚合策略、融合权重均需调参，论文自述局限），详见 Notes。
Evidence refs
- EVI-025（核心证据：同骨干、同初值的引导模态隔离消融——引导是唯一变量，直接支撑“收益不来自骨干改动”）
- EVI-031（核心证据：精修依赖对比——“替代事后精修”面的间接论证）
- EVI-028、EVI-029、EVI-030（使用边界证据：推理期引导调度设计空间的参数层证据，承载使用边界，非命题本体的直接支撑）
Notes
- 调度敏感性边界（来源 EVI-028/029/030）：引导宜限于去噪末段（steps 8–9/10）、\(\lambda_t=0.5\)（绑定 10 步 DPM-Solver（CPT-029）标度）；footprint 聚合取 Top-K 且 K 与栅格分辨率绑定；融合权重 γ=0.95，去掉推进项（γ=1.0）反而诱发保守刹车。均单 benchmark 扫描，机制归因为作者叙述。
- 层级定位（本库综合）：本卡承载 G2DP 的采样层贡献——与 LDM 的表示层（latent 空间）、DiT 的骨干层（transformer 可替换 U-Net）构成 diffusion 生成管线三段可分解改造的拼图，是跨源 SYN 的直接素材。
- “解析梯度”的成立依赖 AX-2 的能量定义（FRM TH-1 通道）；energy-reweighted 目标分布解释（AX-1）未被论文论证近似误差。
关联（19）
- PPR-2206.00927 DPM-Solver: A Fast ODE Solver for Diffusion Probabilistic Model Sampling in Around 10 Steps
- PPR-2501.15564 Diffusion-Based Planning for Autonomous Driving with Flexible Guidance
- PPR-2606.26017 G2DP: Diffusion Planning with Spatio-Temporal Grid Guidance
- FRM-2501.15564 Diffusion Planner 五层重建：task redefinition 后的 ego+邻车联合轨迹生成（DiT 骨干、单一扩散损失）与 DPS 免训练 classifier guidance；断言投影 CLM-033..038（一份投影卡因 erratum 删除）。附录 C 的四个引导能量函数（式 10–13）与四条设计经验已公式化回填，供 G2DP 稀疏对比臂跨源引用。
- 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-031 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-035 训练后行为对齐可经 DPS 免训练实现：能量重加权目标 p0 ∝ q0·e^{−E} 下，用 μ_θ 近似后验期望直接过可微能量函数取梯度修正分数，免 classifier 训练；多种能量函数（目标速度/舒适/碰撞/可行驶区）推理期自由组合（案例级证据，无量化消融）。
- EVI-025 Table 4：Grid +3.35 score/+3.59 collision/+4.94 TTC；Sparse(Oracle) −1.96 score/−10.13 comfort/+0.64 collision。稀疏臂按 PPR-2501.15564 附录 C 式 10 的实例级有向距离能量实现，与稠密臂在信号形态与信息内容两轴同时不同（评注已补）。
- EVI-028 Fig. 8：steps 8–9 + lambda_t=0.5 峰值 77.61；早窗与 lambda_t≥0.8 均退化。
- EVI-029 Table 6：Top-15 双split峰值 92.26/80.05；Average 86.33 洗信号、Max 76.84 抗伪影差。
- EVI-030 Fig. 7：γ=0.95 峰值；γ=1.0 过度保守刹车致高密度区追尾，γ=0.2 安全弱化。
- EVI-031 Table 1/2 + 正文：G2DP† reactive +3.7、interPlan +0.81、精修依赖 +4.1 vs DP +12.8。
- CPT-029 DPM-Solver
- 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。
- 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』。
- 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-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。