EVI-035
Evidence
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。
| id | |
|---|---|
| updated | |
| type | evidence |
| claims | CLM-035 |
| source | PPR-2501.15564 |
| observation | Fig. 3 (fig:guidance): target-speed and comfort guidance cases; Fig. collisiondrivable (sec 4.3): collision-only vs collision+drivable combined from same start; Appendix A/C: additional collision/drivable case studies (fig:guidancecase, fig:collisiondrivable) |
| method | trained planner + inference-time DPS guidance without additional training; target-speed case masks all lane speed-limit inputs so speed changes only via guidance, target set to 10-14 m/s; comfort guidance applied on top of collision guidance; combination cases start from identical positions |
| scope | case-study level; qualitative trajectories only, no quantitative guidance ablation |
Result
- Target speed：遮蔽全部车道限速信息后，无引导时速度偏低；设定 10–14 m/s 目标后模型贴合目标区间并保持平滑变速（Fig. 3 上）。
- Comfort：在 collision 引导之上叠加 comfort 引导有效缓解不适指标（Fig. 3 下）。
- 组合性：同一起点下，collision-only 引导使 ego 驶离路面避让后接近的车辆；加 drivable 引导后保持路面同时维持安全（Fig. collisiondrivable）。
- Appendix 案例：collision 与 drivable 引导各自的避让/回路面案例（无引导虚线出现安全事件标记）。
Caveats
- 全部为案例级定性证据，无量化消融（如“加引导后的指标变化表”）；组合性主张的覆盖面窄。
- 能量函数实现为验证性示例（作者自评 “may not be optimal”）；施加调度的系统消融本文未提供（正文无末段施加主张，见 FRM-2501.15564 Commentary）。
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-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）。
- 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-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-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。