CLM-037
Claim
数据管线各件是独立承重件：数据增强、未来轨迹插值、z-score 归一化各自剔除均显著降分；ego 当前状态含速度/加速度会诱发 shortcut 而损害规划，直接剔除优于 state-dropout 缓解——shortcut 机制解释是作者叙述，非消融隔离的结论。
| id | |
|---|---|
| type | claim |
| source | PPR-2501.15564 |
| scope | training-pipeline ablation on nuPlan Test14 (Table 7): data augmentation / future-trajectory interpolation / z-score normalization / ego current-state handling, each isolated against the base planner |
| epistemic | unverified |
| lifecycle | EXTRACTED |
| updated |
Proposition
Diffusion Planner 的训练数据管线各组件是相互独立的承重件：随机扰动+插值的数据增强（抗 OOD）、未来轨迹五次多项式插值（相对只扰动当前状态）、z-score 归一化（ego-centric 变换后纵向/横向位移量级差异大，稳定拟合）各自被剔除都导致闭环性能显著下降；ego 当前状态的处理方式同样承重——保留速度/加速度/横摆角速度会诱发模型学习 shortcut（走捷径复制当前动态而非规划），直接剔除这些量比 state-dropout encoder 缓解更有效；同时完全剔除当前状态（起点约束）也降分，说明拼接当前状态本身有益。
归属：各组件的性能承重由消融隔离；“shortcut”机制解释（速度/加速度泄漏）是作者叙述，仅有“w/ SDE 部分缓解、直接剔除更优”的梯度旁证。
Evidence refs
- EVI-037（Table 7 训练设计消融读数）
Notes
关联（9）
- PPR-2501.15564 Diffusion-Based Planning for Autonomous Driving with Flexible 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。
- CLM-034 把规划与预测统一重定义为 future trajectory generation（ego 与 M 辆邻车同一扩散损失联合生成）后，协同行为由联合分布建模自然涌现，无需额外损失函数或专用子模块——从架构推导+定性案例+M 消融旁证，非严格归因（作者推断）。
- EVI-037 Table 7：base 89.19；w/o augmentation 76.53（−12.66）、w/o interpolation 83.78（−5.41）、w/o z-score 85.02（−4.17）；ego 状态 w/ ego state 78.65、w/ SDE 82.90、w/o current state 81.11。
- 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-033 co-source 闭环 diffusion 规划的质量瓶颈在结构设计（联合生成/起点约束/导航 adaLN 专门架构）而非 diffusion 范式本身：专门设计免精修达学习型类内最好成绩，且大幅优于套壳 diffusion 方法；对规则/混合类整体优势仅经 w/ refine. 变体成立（作者主张）。
- CLM-034 co-source 把规划与预测统一重定义为 future trajectory generation（ego 与 M 辆邻车同一扩散损失联合生成）后，协同行为由联合分布建模自然涌现，无需额外损失函数或专用子模块——从架构推导+定性案例+M 消融旁证，非严格归因（作者推断）。
- CLM-035 co-source 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）。
- CLM-038 co-source 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。