CLM-038
Claim
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。
| id | |
|---|---|
| type | claim |
| source | PPR-2501.15564 |
| scope | transfer to 200h Haomo.AI delivery-vehicle dataset (integrated into nuPlan framework, same metrics, baselines retrained); closed-loop evaluation |
| epistemic | unverified |
| lifecycle | EXTRACTED |
| updated |
Proposition
不含基准特化组件的规划器在跨驾驶风格迁移中保持性能：在 200 小时配送车数据集（更保守的驾驶风格、非机动车道、密集人车交互、特殊交规）上经同一管线重训后，Diffusion Planner 取得最高闭环分；而含 nuPlan-tailored 设计（参考线先验、crosswalk 处理等）的对照基线（PDM、GameFormer、PLUTO）在该场景掉分。
归属：基线掉分的归因（源于基准特化组件）依赖作者解释，未经消融隔离（无“去掉特化组件的基线”对照）；本卡命题的迁移读数本身由 EVI-038 支撑。
Evidence refs
- EVI-038（Table 2 配送车数据集闭环结果）
Notes
关联（10）
- 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-026 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-033 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）。
- EVI-038 Table 2：配送车数据集上 Diffusion Planner 92.08 全场最高（PlanTF 90.89、PLUTO 83.49、PDM-Closed 80.95、GameFormer w/o refine. 22.41）；nuPlan-tailored 基线掉分、本方案保持。
- 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-037 co-source 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。