PPR-2510.12733 Paper

定位

Yu 等（ITSC 2025）提出的城市驾驶规划器 HYPE（HYbrid Planning with Ego proposal-conditioned predictions）。问题设定：复杂城市场景的安全可解释规划需要推理双向多智能体交互，而这要求估计潜在自车机动动作的代价；已有的“采样初始轨迹 + 在学习到的预测上优化精修”路线需要一个能编码期望行为的代价函数，而在复杂城市场景中设计这样的代价函数非常困难。HYPE 的做法是把学习到的多模态轨迹提议当作启发式先验，注入蒙特卡洛树搜索（Monte Carlo Tree Search, MCTS）的精修过程；同时引入 ego-conditioned 占据预测模型来建模双向交互。其收益是：精修阶段的代价函数设计被大幅简化——有了提议驱动的引导，只需极简的栅格代价项。论文在 nuPlan 与 DeepUrban 两个大规模真实基准上评估，报告在安全性与适应性上达到 SOTA。

方法（机制要点）

• 提议作为 MCTS 先验：学习模型给出的多模态轨迹提议缩小搜索空间、提供启发式引导。
• ego-conditioned 占据预测：预测以自车行为为条件，建模“自车行为如何改变他者”的双向交互。
• 极简栅格代价：精修只需最小化的栅格代价项，降低代价函数设计难度。

与 G2DP 的关系

G2DP（PPR-2606.26017）related work 引用本工作，并将其与 TPP 同列为“用占据网格但经离散树搜索精修、缺乏可微性”的一类。SYN-003 支 4 把 HYPE 记为 G2DP 最直接竞争面的稠密但不可微反面：它同样使用占据网格，但通过 MCTS 离散精修使用、不进入生成模型的去噪循环；G2DP 的坐标差在于把稠密概率场做成可微能量、直接注入去噪。HYPE 与 G2DP 同组（Yu 2025）。

承重关系

• 谱系锚点：引导模态谱系中“稠密网格 + 离散精修”的实例；SYN-003 支 4 记其角色。
• provenance：v2 tarball sha256 a8d8c4c4…14ab8490，缓存 cache/sources/2510.12733/。