PPR-2501.15564 Paper

关联（43）

• PPR-2105.05233 Diffusion Models Beat GANs on Image Synthesis
• PPR-2205.09991 Planning with Diffusion for Flexible Behavior Synthesis
• PPR-2206.00927 DPM-Solver: A Fast ODE Solver for Diffusion Probabilistic Model Sampling in Around 10 Steps
• PPR-2209.14687 Diffusion Posterior Sampling for General Noisy Inverse Problems
• PPR-2211.01095 DPM-Solver++: Fast Solver for Guided Sampling of Diffusion Probabilistic Models
• PPR-2306.03083 MotionDiffuser: Controllable Multi-Agent Motion Prediction using Diffusion
• PPR-2306.07962 Parting with Misconceptions about Learning-based Vehicle Motion Planning
• PPR-2309.10443 Rethinking Imitation-based Planner for Autonomous Driving（PlanTF）
• PPR-2510.11083 Flow Matching-Based Autonomous Driving Planning with Advanced Interactive Behavior Modeling
• PPR-2606.26017 G2DP: Diffusion Planning with Spatio-Temporal Grid Guidance
• BMK-003 “nuPlan closed-loop planning benchmark (Val14 / Test14 / Test14-hard)”
• COD-003 Diffusion-Planner — Diffusion Planner 官方实现（ZhengYinan-AIR）
• FRM-2309.10443 PlanTF（Cheng 等, CoRL 2023）五层重建：核心是 hidden imitation gap——完美模仿的 log replay 经 LQR 执行后在 Test14-hard 上掉 5.65（TH-1），说明执行链偏差是学习系闭环失败的构成性成分；Test14-random/hard 与 1M 帧训练 split 的定义亦出自本文。
• 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-012 CFG 大幅改善 DiT 生成质量，收益随 guidance scale 增大而递减，并伴随保真度升、多样性（recall）降的权衡；SOTA 数字均以 guidance 口径取得。
• 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-026 nuPlan 训练的模型零样本迁移 interPlan：相对共享生成管线的 Diffusion Planner 大幅领先，增益集中于安全维度（碰撞避免、TTC），progress/speed-limit 类项持平或微降；优势依场景类型非全域均匀。
• CLM-031 去掉邻车历史输入的 history-free 变体在 reactive/interactive 闭环下反而更优，且加事后规则精修后的增益依赖远小于稀疏引导对照（作者推断）；该优势严格限于 reactive/interactive 设定，NR 下不成立。
• 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-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）。
• 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）。
• 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）。
• 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。
• CLM-038 无基准特化组件的规划器跨驾驶风格迁移保持：配送车（保守风格、非机动车道、密集交互）数据集上重训后取得最高闭环分，而含 nuPlan 特化设计（参考线、crosswalk 适配）的基线（PDM/GameFormer/PLUTO）掉分——迁移优势归因依赖作者解释，未经消融隔离。
• EVI-024 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-025 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）。
• EVI-026 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 Table 5：G2DP 较 DP collision +11.0、progress +10.5、TTC +6.7；progress/along-route 超 PDM-Closed。
• EVI-031 Table 1/2 + 正文：G2DP† reactive +3.7、interPlan +0.81、精修依赖 +4.1 vs DP +12.8。
• EVI-032 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 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 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 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 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 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 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。
• CPT-001 Diffusion Transformer (DiT)
• CPT-007 adaptive layer norm (adaLN)
• CPT-029 DPM-Solver
• CPT-030 DPM-Solver++
• 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』。
• DIS-002 术语 adaLN 的两种读法路由：vanilla adaLN（CPT-007）与其零初始化特化 adaLN-Zero（CPT-002）。