EVI-037
Evidence
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。
| id | |
|---|---|
| updated | |
| type | evidence |
| claims | CLM-037 |
| source | PPR-2501.15564 |
| observation | Table 7 (tab:ablationtraining): ablation of training-pipeline components on nuPlan Test14, base Diffusion Planner vs w/o z-score norm / w-o interpolation / w-o augmentation / w-SDE / w-ego state / w-o current state |
| method | single-component removals against the base planner; data components (augmentation with current-state perturbation + quintic interpolation, z-score normalization), ego-state handling (keep velocity/acceleration/yaw-rate, state-dropout encoder, or discard velocity/acceleration but keep current state) |
| scope | nuPlan Test14 closed-loop score only; single training run per variant; mechanism explanations are author narrative |
Result
Base（Diffusion Planner）89.19。数据件：w/o z-score norm 85.02（−4.17）、w/o interpolation 83.78（−5.41）、w/o augmentation 76.53（−12.66）。ego 状态件：w/ SDE（state-dropout encoder）82.90、w/ ego state（保留速度/加速度/横摆角速度）78.65（−10.54）、w/o current state 81.11。作者的机制归因：w/o augmentation 为 OOD 问题；w/o z-score 为 ego-centric 后数据范围仍大、难拟合；w/ ego state 诱发 shortcut；w/o current state 说明起点约束（当前状态拼接）本身有益。
Caveats
- 单 benchmark（Test14）单列，无跨 split 复核；每变体单次训练，种子未报告。
- “shortcut”机制解释是作者叙述——消融只给出“w/ SDE 部分缓解、直接剔除更优”的性能梯度，未直接检测泄漏行为。
- w/ SDE（82.90）优于 w/ ego state（78.65）但仍劣于剔除方案，说明缓解不彻底。
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-037 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。
- 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-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-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。