EVI-032
Evidence
Table 1：免精修在学习型类内 6 列中 5 列最高（Test14 NR 除外）；w/ refine. 在 Val14/Test14 双模式超规则/混合类并部分超 Log-replay，唯 Test14-hard NR 78.87 低于 PLUTO 80.08。
| id | |
|---|---|
| updated | |
| type | evidence |
| claims | CLM-033 |
| source | PPR-2501.15564 |
| observation | Table 1 (tab:nuplan): closed-loop scores on nuPlan Val14 / Test14-hard / Test14, each in NR and R modes, against rule-based, hybrid, and learning-based baselines |
| method | nuPlan simulator closed-loop, 0-100 average score; learning-based class = no rule-based refinement; hybrid = learning model + refinement; w/ refine. = off-the-shelf refinement module (sun2024generalizing) attached with zero parameter tuning |
| scope | nuPlan Val14/Test14/Test14-hard × NR/R; single training run (seed reporting absent); baseline implementations by nuPlan |
Result
学习型类内（免精修）：Diffusion Planner 89.87/82.80（Val14 NR/R）、75.99/69.22（Test14-hard NR/R）、89.19/82.93（Test14 NR/R）——6 列中 5 列为学习型类内最高（例外：Test14 NR 89.19 低于 PLUTO w/o refine. 89.90）。同列对照：PlanTF 84.27/76.95、69.70/61.61、85.62/79.58；GameFormer w/o refine. 13.32/8.69、7.08/6.69、11.36/9.31。
w/ refine.（规则/混合类）：94.26/92.90（Val14）、78.87/82.00（Test14-hard）、94.80/91.75（Test14）；对照 PLUTO 92.88/76.88、80.08/76.88、92.23/90.29，PDM-Hybrid 92.77/92.11、65.99/76.07、90.10/91.28。Log-replay 93.53/80.32、85.96/68.80、94.03/75.86——w/ refine. 在 Val14 NR/R 与 Test14 NR 超 Log-replay，Test14-hard NR（78.87）与 R（82.00 对 68.80）表现分化。
Caveats
- “免精修 SOTA”严格限于学习型类内逐 split 读数；headline 的跨类强度须挂 w/ refine. 前提（Test14-hard NR 78.87 反低于 PLUTO 80.08）。
- 单种子/多种子未见报告；nuPlan 分数对模拟器 NR/R 邻车重演语义敏感。
- PLUTO w/o refine. 与 PDM-Open 带 * 标记（使用预搜索参考线输入，降低规划难度）。
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-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-033 co-source Table 8：套壳 diffusion 方法脱精修即大跌（Diffusion-es w/o LLM ~50 vs w/ LLM 92；STR2 w/o refine. 65.16 且推理 >11s），Diffusion Planner 89.87/75.99/89.19、推理 0.04s。
- EVI-034 co-source Fig. 4：邻车预测准确 + ego 平滑让速，对比基线轨迹不平滑/候选多数低质量；Fig. 5：联合预测邻车过多引入噪声降分，但多数 M 取值仍优于 PlanTF。
- EVI-035 co-source 引导案例：遮蔽车道限速后仅靠 target-speed 引导即可贴合 10–14 m/s 目标区间且速度过渡平滑；comfort 叠加 collision 可并用；collision-only 驶离路面避让、叠加 drivable 后保路面且保安全。
- EVI-036 co-source Fig. 7：低温度采样增强轨迹稳定性、步数在 DPM-Solver++（CPT-030）下稳健；w/ refine. 用更低温度（0.1 vs 0.5）以利精修判断——方法使用边界面，非引导窗口消融。
- EVI-037 co-source 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。
- EVI-038 co-source 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。