EVI-025
Evidence
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）。
| id | |
|---|---|
| updated | |
| type | evidence |
| claims | CLM-025, CLM-032 |
| source | PPR-2606.26017 |
| observation | Table 4 (tab:grid_guidance_metrics): Test14-hard (NR), guidance modality ablation None / Sparse (Oracle) / Grid |
| method | same diffusion backbone, identical initial conditions; sparse guidance = instance-level distance functions as in Diffusion Planner (PPR-2501.15564 附录 C 式 10：逐邻车/逐时刻有向距离 D_M^τ，Ψ(x)=e^x−x 塑形，梯度支撑半径 r，正负有向距离分开按有效点对数归一化), fed with oracle neighbor trajectories from log replay; grid guidance = CPT-013 cost volume, steps 8-9, λ_t=0.5, γ=0.95, K=15 |
| scope | Test14-hard NR only; sparse variant uses oracle neighbor states (favorable setting for sparse) |
Result
Score：None 76.70、Sparse(Oracle) 74.74（−1.96）、Grid 80.05（+3.35）。Collision avoidance：89.24 → 89.88（+0.64）/ 92.83（+3.59）。Comfort：93.38 → 83.25（−10.13）/ 91.92（−1.46）。TTC：80.88 → 81.14（+0.26）/ 85.82（+4.94）。
Caveats
单 benchmark 单模式（NR）；oracle 供给使 Sparse 处于有利条件，但仍未回答“稀疏引导用预测（非 oracle）邻车是否更差”；Comfort 的 −1.46 说明网格引导本身也有轻微舒适代价。
评注（构造与归因，2026-09-10 补）：该消融的稀疏臂不是抽象的“稀疏基线”，而是 PPR-2501.15564 附录 C 的手工设计（hand-designed）、以实体索引的碰撞能量（式 10）——梯度只在有向距离小于支撑半径 \(r\) 时才产生（\(\max(1-\mathbf D/r,0)\) 截断），正负有向距离分开归一化以保证梯度幅值一致；稠密臂则是学习得到、以场为单位的占据概率场。因此两臂在两个轴上同时不同：信号形态（实例索引的确定函数 vs 分布性概率场）与信息内容（oracle 精确邻车状态 vs 预测占据概率）。oracle 替换在信息轴上对稀疏臂有利，这强化了“差异来自引导形式”的归因；但它不等于“同信息、不同表示”的干净隔离。同时，“末期突变机动/Comfort 大幅下降”是该具体构造（\(r\)、\(\Psi\) 塑形、分开归一化）与骨干交互的结果，不能直接外推为任意稀疏引导的固有性质；DP 自己声明其四个能量函数“may not be optimal”（CLM-035），G2DP 也未说明稀疏臂用了四个函数中的哪几个（只用复数“distance functions”）。公式出处见 FRM-2501.15564 §1（P3 回填）；两轴问题与 SYN-003“稠密不是一个单轴”的派生观察一致。
关联（16）
- 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)”
- 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-025 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-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）。
- 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）。
- 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』。
- EVI-024 co-source Table 1：G2DP 系居纯 IL planner 首位，Test14-hard R 77.61（+7.2 over Flow Planner，+8.4 over Diffusion Planner）。
- EVI-026 co-source Tables 2–3：interPlan 零样本 G2DP† 62.55（+9.65），collision +10.15、TTC +10.75；progress/speed limit 略降。
- EVI-027 co-source Table 5：G2DP 较 DP collision +11.0、progress +10.5、TTC +6.7；progress/along-route 超 PDM-Closed。
- EVI-028 co-source 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 co-source 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 co-source 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 co-source Table 1/2 + 正文：G2DP† reactive +3.7、interPlan +0.81、精修依赖 +4.1 vs DP +12.8。