SYN-003
Synthesis
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』。
| id | |
|---|---|
| updated | |
| type | synthesis |
| inputs | CLM-025, CLM-032, CLM-012, CLM-033, CLM-034, CLM-035, CLM-037, CLM-038 |
Structure
本整合解释 G2DP（PPR-2606.26017）的方法结构如何由四条前置工作谱系塑造；组织原则是引导模态轴（生成式引导机制 → 应用到规划的形态 → 表示的稠密度），而非论文时间或任务——这使四支各有承重判断、且共同定位 G2DP 的贡献点。输入为库内现存的引导相关 Claim（G2DP 侧 CLM-025/032，DiT 侧 CLM-012，Diffusion Planner 侧 CLM-033/034/035/037/038）；大量前置工作仍为“点位/未入库”状态，在文中显式标注（§gaps），本整合不虚构其 claim 级断言，仅按 G2DP 自身 related work 的定位记录其角色。
支 1：机制支（生成式引导的机制来源）
G2DP 的 AX-1（目标分布 = 能量重加权的 classifier guidance 解释）在机制层完全继承生成式引导谱系：
- classifier guidance 原点（Dhariwal & Nichol 2021，PPR-2105.05233，库内但为占位 stub，未记录 guidance 贡献）：首次以分类器梯度重加权重噪过渡，建立“先验 × 任务偏好”的采样修正框架——G2DP 能量重加权（式 4）是该框架在规划域的直接应用。
- classifier-free guidance（CPT-003，库内）：CFG 提供粗粒度模态切换；G2DP 相关工作中明言 CFG“无法施加细粒度安全约束”——它是引导谱系的反向参照（机制上不适用细粒度约束）。
- DPS（Chung 2022，未入库）：免训练引导，以模型输出近似后验期望后过能量；经 Diffusion Planner（CLM-035：DPS 免训练实现）传入驾驶规划，“末段施加”是共享回避手段（Diffusion Planner erratum 后降级为库内 Commentary 注记）。
机制支的承重判断：引导是推理期修正而非训练期目标——CLM-032（G2DP 引导为纯推理期模块）与 CLM-035（训练后行为可经 DPS 免训练对齐）同构地承载“训练/推理解耦”这一判断。
支 2：扩散规划范式支（“规划≈采样”的载体）
决定 G2DP“以生成做规划”的范式：
- Diffuser（Janner 2022，PPR-2205.09991，已入库）：轨迹级扩散
- 引导采样（回报梯度）+ inpainting（目标/约束），非自回归二维数组——“planning by sampling”范式源头。
- MotionDiffuser（Jiang 2023，未入库）：扩散搬到多智能体可控运动预测，把引导扩展到可控多模态预测。
- Diffusion Planner（PPR-2501.15564，CLM-033/034/035/037/038，已入库）：把引导搬进驾驶闭环、免训练可微能量（碰撞/可行驶域/ 速度/舒适）、task redefinition（ego+邻车联合生成，CLM-034）；G2DP FRM 明言其为共享生成管线直接对照（AX-6）。
- FlowPlanner（Tan 2025，未入库）：flow matching 而非扩散，G2DP 表内最强基线（+7.2 对比对象）——谱系的“非扩散生成”侧翼。
- pSTL / CTG（Meng & Fan 2024 / Zhong 2023，未入库）：引导信号的分叉——STL 鲁棒性 / 受控交通仿真引导。
支 3：安全硬约束支（稀疏确定性原语）
CoBL-Diffusion（Mizuta & Leung 2024）与 SafeFlow（Dai 2025，flow matching + CBF），未入库。G2DP 将其与 Diffusion Planner 的稀疏引导归为同一类“稀疏确定性原语”——梯度远离障碍即消失、滤掉空间不确定性。此支是 G2DP“稠密 vs 稀疏”论证的另一侧参照（CLM-025 的对照面）。
支 4：稠密网格表示支（G2DP 最直接竞争面）
- HYPE（Yu 2025，G2DP 同组）与 TPP（Chen 2023，未入库）：用占据网格但走 tree search / 精修，不可微、不入去噪循环。
- NaviDiffusor（Zeng 2025，未入库）：深度导出 cost map 引导，但单帧静态深度、视觉导航非驾驶时空。
G2DP 位置：四支交点
G2DP 没有发明任何单点机制——它继承支 1 的能量重加权（AX-1）、支 2 的 DiT 骨干与规划范式、以支 3 为稀疏反面、以支 4 为稠密但不可微的反面，然后把稠密分布性时空网格放到此前没被占满的坐标：可微 + 时空 + 直接注入去噪循环 + ego 几何感知前瞻（CLM-025/032）。“稠密 vs 稀疏引导模态”是本整合对 G2DP 方法结构的核心读法——它的全部主张收敛于这一轴上。
派生观察（KB 外推，unverified——不回写为论文断言）
- 引导机制是守恒的，变化的是表示与注入点：从 classifier guidance 到 G2DP，能量重加权的数学框架（先验×偏好）未变，变的是 (a) 偏好信号的表示（分类器 logits → 稀疏几何距离 → 稠密占据场）和 (b) 注入环节（去噪全程 → 末段）。G2DP 的“新”只在表示与注入时机的组合，不在机制本身——这解释了为何它 AX-1 直接引用 classifier guidance 而不声称机制发明。
- “稠密”不是一个单轴：G2DP 的稠密（分布性概率场）与 HYPE/TPP 的稠密（网格但离散搜索）是两个不同属性——前者是表示形态（概率分布 vs 确定实例），后者是使用方式（可微入循环 vs 离散精修）。混同两者会把“不可微精修”误归为“稀疏”，掩盖 G2DP 的真正坐标差。
- 扩散 vs flow matching 是谱系内而非谱系间：FlowPlanner（flow）与 G2DP（diffusion）共用“噪声→数据生成 + 引导”的父结构，差异在 ODE/SDE 框架与引导微分的形式；SYN-002 的三段分解（表示/骨干/采样层）对两者同构成立。
- 引导谱系与 SYN-002 的分层正交：SYN-002 按管线层级（表示/骨干/ 采样）组织 G2DP 与 DiT/LDM 的关系；本整合按引导模态轴组织 G2DP 与其前置引导工作。两条线在“G2DP 是采样层改造”处交汇但不重复——SYN-002 讲 G2DP 在扩散管线中的位置，本整合讲它的引导设计从哪来。
Consensus / Disagreement / Gaps
- 共识（谱系内）：①“规划≈采样 + 引导”是扩散规划各支共享范式（Diffuser → Diffusion Planner → G2DP，CLM-034 承载）；②引导 = 推理期修正、训练/推理解耦是跨支共识（CLM-032/035）。
- 争议：无 open CFL。支 1 的 classifier guidance 与 CLM-035 的 DPS 是否同一框架（能量重加权的两种实现 vs 独立机制）无来源仲裁，记录为概念模糊不立冲突卡（未达 D12 判据）。
- 空白（D14 显式化）：①coverage gap（主）：机制层 classifier guidance 原点（PPR-2105.05233）与 DPS（Chung 2022）、谱系层 MotionDiffuser/ FlowPlanner/pSTL/CTG、安全支 CoBL-Diffusion/SafeFlow、稠密支 HYPE/TPP/NaviDiffusor 共 11 篇为“点位/未入库”——本整合仅能按 G2DP 自身 related work 的定位记录其角色，无法做 claim 级跨源核对；源头未下载（arXiv 限流，登记 TRIAGE 待补）。②relation gap：G2DP 相对 FlowPlanner 的 +7.2 增益与相对 Diffusion Planner 的增益是否同源（引导 vs 骨干/flow 差异）无受控分解实验（G2DP 消融只对 Diffusion Planner 同骨干做，未对 FlowPlanner 隔离）。③source gap：G2DP 全批 claim 无 VER 卡（含 CLM-025/032），Diffusion Planner 的 CLM-033..038 部分验证待 T-VERIFY——支 2 的承重判断文献级可信度弱于机制支。
- RQ 种子（不入本卡，P8 通道）：稠密引导与“表示层”（SYN-002 层 1）是否耦合——占据预测器质量（AX-3）如何传导到引导梯度质量？CBF 安全约束可否与稠密场融合（两支的合并面）？
关联（27）
- PPR-2105.05233 Diffusion Models Beat GANs on Image Synthesis
- PPR-2205.09991 Planning with Diffusion for Flexible Behavior Synthesis
- PPR-2209.14687 Diffusion Posterior Sampling for General Noisy Inverse Problems
- PPR-2210.17366 Guided Conditional Diffusion for Controllable Traffic Simulation
- PPR-2301.11902 Tree-structured Policy Planning with Learned Behavior Models
- PPR-2306.03083 MotionDiffuser: Controllable Multi-Agent Motion Prediction using Diffusion
- PPR-2406.05309 CoBL-Diffusion: Diffusion-Based Conditional Robot Planning in Dynamic Environments Using Control Barrier and Lyapunov Functions
- PPR-2501.15564 Diffusion-Based Planning for Autonomous Driving with Flexible Guidance
- PPR-2503.02924 Diverse Controllable Diffusion Policy with Signal Temporal Logic
- PPR-2504.08661 SafeFlow: Safe Robot Motion Planning with Flow Matching via Control Barrier Functions
- PPR-2504.10003 NaviDiffusor: Cost-Guided Diffusion Model for Visual Navigation
- PPR-2510.11083 Flow Matching-Based Autonomous Driving Planning with Advanced Interactive Behavior Modeling
- PPR-2510.12733 HYPE: Hybrid Planning with Ego Proposal-Conditioned Predictions
- PPR-2606.26017 G2DP: Diffusion Planning with Spatio-Temporal Grid Guidance
- 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-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-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）。
- CPT-003 classifier-free guidance
- SYN-002 三源合成：diffusion 管线三段可分解改造——LDM 表示层（latent 感知压缩）、DiT 骨干层（ViT 替换 + Gflops 标度）、G2DP 采样层（推理期引导插件）；三论文是时间上的实际组合链（DiT 复用 LDM first-stage，G2DP 用 DiT 骨干），层独立性判断 CLM-013/009/032 解释组合可行性。
- SYN-002 co-inputs 三源合成：diffusion 管线三段可分解改造——LDM 表示层（latent 感知压缩）、DiT 骨干层（ViT 替换 + Gflops 标度）、G2DP 采样层（推理期引导插件）；三论文是时间上的实际组合链（DiT 复用 LDM first-stage，G2DP 用 DiT 骨干），层独立性判断 CLM-013/009/032 解释组合可行性。