EVI-034
Evidence
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。
| id | |
|---|---|
| updated | |
| type | evidence |
| claims | CLM-034 |
| source | PPR-2501.15564 |
| observation | Fig. 4 (fig:quality) trajectory generation visualization (narrow-road turning scenario, closed-loop test) + Fig. 5 (fig:numneighbor) ablation on number of predicted vehicles M |
| method | qualitative side-by-side of Diffusion Planner vs PlanTF / PLUTO w/o refine. / GameFormer w/o refine. sampled candidates; M ablation sweeps the count of jointly predicted nearest neighbors against closed-loop score |
| scope | single visualization scenario (qualitative); M ablation on nuPlan Test14, figure-read values |
Result
定性（Fig. 4）：Diffusion Planner 对邻车预测准确、ego 轨迹平滑并合理顾及前车速度；GameFormer w/o refine. 轨迹不平滑、预测不准（解释其对精修的重度依赖）；PlanTF 与 PLUTO w/o refine. 一次采样多条轨迹但多数低质量。M 消融（Fig. 5）：联合预测邻车数过多向 ego 规划引入噪声、性能下降；多数取值仍优于 PlanTF 读数。
Caveats
- 定性案例为单场景呈现，无量化指标；M 消融数值从图读取，论文未给表。
- M 的选择是联合建模的取舍面（预测多少邻车），并非“联合 vs 分离”的对照实验——“协同无需额外损失”的归因仍属作者推断（CLM-034 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-032 co-source 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。
- 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-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。