PPR-2510.11083 Paper

定位

提出 Flow Planner 的原始论文（NeurIPS 2025）。以 flow matching 而非扩散模型做自动驾驶规划的生成式规划器：用细粒度轨迹 token 化分解降低整轨建模复杂度、以专门架构做规划与场景信息的时序/空间融合以捕捉交互行为、用 flow matching + classifier-free guidance 做多模态行为生成并在推理时动态重加权智能体交互。

方法（机制要点）

• 细粒度轨迹 token 化：把轨迹分解为重叠片段，降低整条轨迹建模的复杂度。
• 交互行为建模：专门架构做时序/空间融合，捕捉多智能体交互（解决交互数据稀缺下模仿学习的不足）。
• flow matching + classifier-free guidance（CPT-003）：以 flow matching 做噪声到数据的生成，CFG 用于多模态行为生成与推理期交互重加权——这是 G2DP 谱系的“非扩散”对照（diffusion 换成 flow）。

与 G2DP 的关系

G2DP（PPR-2606.26017）的直接对照基线：G2DP 在 nuPlan Test14-hard 相对 Flow Planner 提升 +7.2（intro 明言“significantly outperforming the strongest baseline [tan2025flow] with +7.2”）。谱系上 Flow Planner 是扩散规划的 flow-matching 侧翼——共用“噪声→数据生成 + 引导”父结构，差异在 ODE/SDE 框架。库内 SYN-003 记其为“非扩散生成侧翼”，并标注 G2DP 相对它的增益未做受控分解实验（relation gap）。与 Diffusion Planner（PPR-2501.15564）同属清华/中科院系生成式规划工作（作者部分重叠）。

承重关系

• 谱系锚点：生成式规划的 flow-matching 分支；G2DP 最强基线。库内 SYN-003 记其角色。
• provenance：v1 tarball sha256 453022c7…1db29，缓存 cache/sources/2510.11083/。