Planner：一段式端到端怎样生成一条可执行轨迹

先画清边界：一段式不是删掉所有模块

一段式端到端把动态目标、静态道路、导航和自车状态放进统一的可学习信息流，让规划损失能够影响共享表征；它并不要求取消编码器、后处理或控制器。A 课程给出的量产链路中，动态元素包含位置、尺寸、航向、速度和预测轨迹，静态元素包含路沿、车道线、箭头与属性，SD 导航另外提供推荐车道、行点和剩余距离。三路输入编码成环境特征，再由 ego multimode query 交叉注意并回归轨迹。

B 课程把 Planner 的最小问题定义为：场景表征作为条件，输出未来自车轨迹。场景表征可以是 BEV feature、稀疏 query、agent/map token 或几种形式的组合。所谓“感知规划一体化”主要改变中间接口是否可学习，而不是让地图拓扑、交通灯语义和车辆动力学凭空消失。

A 的量产经验还明确保留多模轨迹过滤、横纵向打分、时空联合 refine 和控制模块。因此评审一个一段式系统时，至少要问清四个边界：Planner 收到什么；生成器输出什么；谁负责从多条候选中选一条；执行前还有哪些硬约束。只看网络结构图会把真正决定可用性的选择器与安全链路漏掉。

• 输入：传感器或其场景表征、agent/map/navigation token、ego history 与车辆状态。
• 输出：单轨迹、多模轨迹及分数，或可进一步解码为控制量的 action token。
• 执行前：导航一致性过滤、碰撞与可行驶区检查、时空优化、控制跟踪。
• 训练边界：共享表征是否被规划损失更新，比界面上是否还叫“模块”更能区分一段式与传统串联。

四种 Planner，其实在解同一个条件生成问题

统一写法是从当前场景 s 生成未来轨迹 τ：π(τ|s)。差别在于怎样表示 τ、怎样定义训练目标，以及推理时如何搜索。Query 回归直接预测若干连续轨迹；Query 打分先准备 anchor 或轨迹词表，再预测每个候选的分数与修正量；AR 把轨迹拆成有顺序的离散 action token；Diffusion 从带噪整段轨迹反复去噪；Flow Matching 学习从噪声轨迹流向数据轨迹的连续速度场。

传统规划课提供了不可跳过的物理参照。Frenet 采样、Lattice、时空联合规划与走廊优化都在做“生成多个可行动作，再按安全、效率、舒适和动力学选优”。学习型 Planner 不是取消这个问题，而是把候选分布、代价或二者都交给数据学习。因而比较生成模型时，仍应检查候选是否覆盖正确机动、轨迹是否动力学可行、与他车预测是否交互一致、最终选轨是否能解释。

Query 方案是重要基线：回归型结构简单、易与感知 query 统一，但单轨迹 MSE 容易平均多种合理未来；anchor 打分能稳定提供多模候选，却受词表覆盖上限约束。AR、Diffusion 和 Flow 的价值，是用不同的生成假设扩大候选表达能力，而不是绕开候选覆盖与选择这两个基本问题。

AR：从场景 token 到动作 token，再自回归还原轨迹

AR 的第一步不是“套一个 GPT”，而是定义动作词表。A 课程给出两类常用表示：一类用 acc 与 yaw_rate，便于对应车辆控制与动力学；另一类用局部坐标下 dx、dy、dyaw，直接表达相邻时刻位姿变化。连续动作可按固定区间离散，也可用 K-means 建码本。Plan-R1 的示例按 Vehicle、Pedestrian、Bicycle 分别建立 [1024,3] 的 x、y、heading 码本，以 box 平均角点距离而非中心点距离匹配真值，避免同位置不同朝向被误认为同一动作。

场景侧也必须 token 化。A 的实现将动态 Polygon、静态 Polyline、Property 和 Mask 编成统一 token：一个动态体每个历史时刻占一个 token，车道线、路沿、停止线与红绿灯携带几何和属性，导航车道把是否推荐、车道序号、道路类型、距路口距离和转向语义写进 Property，导航行点则作为 Polyline。随后 Transformer decoder 在这些场景条件上预测下一个 action token。

训练时，真值连续动作先匹配最近的离散 token，teacher forcing 让每一步都看到真实历史，交叉熵最大化 p(z_t|z_<t,context)。这使所有时间步可并行训练、损失单一、梯度稳定。推理时则不同：模型必须把自己刚预测的 token 解码成下一位姿，再把预测历史喂回下一步，直到生成完整 T 步轨迹。Top-K 或采样可形成多模候选，序列似然可提供排序信号，但似然高不等于长期安全收益高。

AR 的实时性瓶颈来自因果串行：action token 越密、预测时域越长，解码次数越多。减少 token 数、一次输出 action chunk 或分层先出意图再出细动作可以降延迟，却会改变 credit 粒度和闭环纠错频率。B 课程引用的 DriveVLA-W0 对比中，AR latency 随 action token 数增长，而 Query-based 和 Flow Matching 近似恒定；这是一条架构趋势，不等于任何具体实现都必然更慢。

1. 构建动作词表把连续控制或相邻位姿变换离散成 token；验证码本覆盖率、量化误差和不同速度区间的分辨率。
2. 编码场景上下文融合 ego history、动态 agent、道路拓扑、交通灯、导航和有效性 mask，避免只用视觉 token 丢失车端必需语义。
3. 监督预训练以 teacher forcing 做 next-token 交叉熵，先获得可驾驶、接近人类分布的策略初始解。
4. 自回归推理逐步采样 token、更新局部位姿并反馈；同时监控解码延迟、非法 token、误差累积和分支过早收缩。
5. 候选排序与约束不能只按序列似然执行；仍需碰撞、可行驶区、导航、舒适度与控制可跟踪性检查。

Diffusion：不是把轨迹画成图片，而是对动作序列做条件去噪

Diffusion Planner 把整段未来轨迹或动作序列当作随机变量。训练时从专家轨迹 τ 采样时间步 t 并加入高斯噪声，网络以场景 s、时间步 t 和带噪轨迹 x_t 为输入，回归加入的噪声或等价 score。视觉观察可通过 FiLM 注入 Conv1D，也可作为 Transformer cross-attention 的 key/value；自动驾驶实现通常还接入 BEV、agent、map、ego status 与导航目标，因此并非无条件“从噪声造线”。

推理从一组噪声轨迹开始，循环执行 x_T 到 x_0 的去噪。候选之间可以并行，但每个候选内部仍有多次 decoder 调用。Vanilla Diffusion 需要较多采样步，车端难以承受；DiffusionDrive 用 K-means anchor 表示直行、转弯、变道等意图，只在 anchor 附近按截断 schedule 加噪，再用约两步级别的 decoder 局部恢复。它以结构先验换取速度，但当 anchor 词表没有覆盖新机动时，截断采样也会把盲区固化。

ResAD 进一步不预测整条轨迹，而是先由当前 ego state 构造惯性参考，再让 Diffusion 生成归一化残差。这样不同预测时刻和速度尺度更一致，网络只学“相对物理先验需要修多少”。急转、紧急避障、低速博弈等惯性参考较差的场景，必须单独验证 residual 空间是否仍覆盖真值。

Diffusion 的多模态只是候选能力，不是决策能力。基础模型生成 N 条轨迹后，必须有 score head、trajectory ranker、mode selector 或外部代价函数选出最终轨迹。DiffusionDrive 同时预测 score 和 trajectory；ResAD 明确输出 Top-1/Top-5；DiffusionDriveV2 先用 score 选 Top-K，再学习排序。评测应把“真值是否在 Top-K”与“Top-1 是否选对”分开，否则无法判断失败来自生成器还是选择器。

1. 定义生成空间选择整轨迹、anchor 残差或惯性参考残差，并做好坐标归一化与物理可行性检查。
2. 构造场景条件将 BEV/PV、agent/map、ego status、导航或 goal point 注入 denoiser，而非只依赖随机噪声。
3. 随机时间步训练对专家轨迹加噪，回归噪声/score；同时可保留监督规划损失，避免生成目标与驾驶目标脱节。
4. 截断或少步去噪围绕 anchor 初始化多组候选，按固定步数迭代，实测端到端 P50/P99 延迟而不是只报 decoder 单步耗时。
5. 排序和执行前检查用可驾驶区、碰撞、导航、舒适和 goal alignment 选 Top-1，再经规则过滤、时空 refine 与控制。

Flow Matching：学习“往哪里流”，再用 ODE 把噪声推成轨迹

Flow Matching 同样学习条件轨迹分布，但训练对象从 Diffusion 的噪声/score 变成速度场。对每条专家轨迹 τ 采样高斯噪声 ε 和 t∈[0,1]，在线性概率路径上构造 x_t=(1-t)ε+tτ，目标速度是 τ-ε。模型 v_θ(x_t,t,s) 看到场景编码 s 和当前中间轨迹 x_t，回归“此刻应该向哪个方向移动”。训练仍然是可并行的均方误差，并不需要在训练时完整解 ODE。

推理从 x_0=ε 出发，根据 dx/dt=v_θ(x,t,s) 做 Euler 或更高阶积分，直到 x_1 成为轨迹。因为学习的是确定性 ODE，给定同一初始噪声和条件时路径确定；通过不同初始噪声仍可生成多模候选。步数可以少于典型 Diffusion，但每减少一步都会提高数值积分与模型逼近误差，必须用闭环安全和候选覆盖验证，而不能把“可少步甚至一步”直接写成量产事实。

GoalFlow 展示了 Flow 在 Planner 中的完整接口：感知模块生成 BEV feature；goal point 词表结合 ego status 与 BEV，用距离分数和可驾驶区合规分数选目标点；轨迹解码器以 BEV 和 goal point 为条件做 Flow Matching；最后 trajectory scorer 在多条候选中选一条。可见 Flow 并没有取消离散先验和选择器，而是把“从目标到完整轨迹”的连续生成环节换成速度场。

Flow 的实时优势也不能脱离轨迹长度和网络结构。它可以并行更新整段 x_1:T，延迟对 action token 数不像 AR 那样线性串行增长；但 ODE solver 的函数评估次数、候选数、场景 cross-attention 和最终 scorer 都在总预算内。工程验收应报告 NFE、候选数、端到端频率、最坏延迟和闭环降采样影响。

1. 采样端点从专家数据取目标轨迹 τ，从简单分布取噪声轨迹 ε，并保留场景条件 s。
2. 随机选取中间时刻构造 x_t=(1-t)ε+tτ，让模型覆盖从纯噪声到真实轨迹的整条概率路径。
3. 回归条件速度场最小化 v_θ(x_t,t,s) 与 τ-ε 的差异；场景编码、导航或 goal point 决定生成方向。
4. 少步 ODE 推理从多组 ε 出发积分到 t=1；以 NFE 和端到端延迟衡量“少步”，而不是只用方法名称判断。
5. 目标与候选选择先验证 goal vocabulary 覆盖，再验证 trajectory scorer 能否把安全、可行驶且导航一致的候选排到 Top-1。

选轨是第一等公民：生成得多，不等于最后选得对

传统 Lattice、DP/QP 和时空走廊方法早已把候选生成与代价选优分开：候选要覆盖足够机动，代价再权衡障碍、道路边界、效率、平滑和动力学。学习型 Planner 仍遵守这条结构，只是候选和代价可能都由网络产生。若论文只报告 minADE/minFDE，它测到的是候选集中最好的一条，不能证明系统执行的 Top-1 正确。

AR 可用 token 概率或 beam score 排序，但局部最大似然并不等于整段长期回报；Diffusion 本身没有显式 likelihood ordering，通常外接 score/ranker；Flow 也需要 goal scorer 与 trajectory scorer。候选选择至少要融合碰撞、TTC、DAC、导航一致性、速度限制、舒适、进度和可控制性，并显式处理冲突优先级。

预测与规划的耦合也影响选轨。C 课程区分边际预测和联合预测：分别给每辆车选最高概率轨迹，可能组合出彼此碰撞的“不可能场景”；联合预测或 ego-conditioned prediction 把自车候选与他车反应配套评估。Planner 若只在固定他车预测上打分，会把交互风险留给执行时兜底。

• 生成质量：GT/安全可行轨迹是否进入 Top-K，是否覆盖直行、转弯、让行、绕行等关键 mode。
• 排序质量：Top-1 相对 Top-K oracle 的差距，排序分数是否经过场景分层校准。
• 约束质量：候选在道路、碰撞、交通规则和动力学上的硬失败率。
• 闭环质量：执行 Top-1 后，环境反馈是否使下一周期候选发生正确变化。

硬数字对撞：三条路线各自的账单

AR 的第一笔账是词表。时间步 token 化在 10 秒 × 10Hz 下要生成 100 个 token，序列长、误差累积严重；改成空间点 token 只需 10-20 个——同一条轨迹，表示方式决定了序列长度和误差传播路径。词表大小也有最优点：AutoVLA 的动作码本从 256 扩到 2048 时，覆盖率从 86.47% 升到 99.42%、使用率保持 100%；再扩到 4096，覆盖率满了，使用率却跌到 91.46%——近一成的码本变成死权重。Plan-R1 的做法更工程化：[1024, 3] 的码本按车辆、行人、骑行者分别构建，用角点距离而非中心距离匹配。

tokenizer 的选择直接可测。同一套 AutoVLA 框架下，K-disk 聚类词表拿到 PDMS 80.54，换成 FAST 的 DCT 压缩只有 67.63；让视觉语言模型用物理动作 token 输出是 80.54 分、3.95 秒，让它用文字写航点坐标掉到 71.31 分、7.65 秒——慢一倍还差九分。FAST 论文那句“tokenizer 即控制接口”在这里有了完整的实证版本：选错表示，模型看起来会预测，落到控制却又慢又抖。

Diffusion 的账单是延迟。标准扩散推理要 20-100 步、每步跑一遍完整网络，课件的判断是“实时自动驾驶几乎不可接受”。DiffusionDrive 的解法是用 K-means 聚出驾驶意图锚点、围绕锚点加噪，把去噪截断到 2 步——反直觉的是对照组 Transfuser_DP 跑满 20 步反而 mode collapse，2 步的截断版本保持了多样模式。截断的真正价值不是少跑几步，而是把无结构的高斯探索换成围绕意图锚点的局部探索。ResAD 走另一条路：不从噪声重建整条轨迹，只预测相对惯性参考的归一化残差——把驾驶物理放进生成空间的先验里。DriveVLA-W0 的横向对照收尾：AR 延迟随 token 数线性增长，Query 与 Flow Matching 近似恒定。

生成之后还有一段被低估的差距。AutoVLA 的 One-shot 是 80.54，Best-of-N 采样是 92.12——差 11.6 分意味着生成器“知道”更好的答案，只是第一次没采到，选择器没选到。GoalFlow 的反面证据同样直接：没有目标点引导时生成轨迹“混乱分散”，加上 goal 词表打分和可行驶区域合规分才收敛。Diffuser 早就给出这套分工的原型：用 value 梯度引导采样，“生成”和“择优”分开，不必重训生成器。三条证据指向同一结论：选轨器不是生成器的附件，是并列的第一等公民——这也回应了本篇 selection 一节的判断。

最后两个单变量实验，提醒不要把性能差异全部归因给路线本身。DrivingGPT 只加了一个 Action 位置编码，PDMS 从 65.3 涨到 82.4——17 分来自一个 embedding，不是范式革命。DriveMoE 的专家数量存在最优点：6 个专家 Driving Score 74.22，切到 13 个降到 70.88，44 个只剩 68.22——分治切得太细，每个专家分到的数据不够。很多“路线 A 打败路线 B”的对比里，藏着的是这类工程变量。

• 词表：100 个时间步 token vs 10-20 个空间点 token；码本 2048 是甜点，4096 使用率跌到 91.46%。
• tokenizer 实测：K-disk 80.54 vs FAST 67.63；物理动作 3.95s vs 文本航点 7.65s。
• 延迟：标准扩散 20-100 步不可上车；DiffusionDrive 截断到 2 步反而模式更全。
• 生成-选择差距：One-shot 80.54 vs Best-of-N 92.12——答案在分布里，选择器没捞到。
• 单变量警示：一个位置编码 +17.1 分；MoE 专家 6 个最优，44 个反降。

与 RL 的接口：优化的是 token、去噪过程，还是整段候选

AR 天然给出 π_θ(a_t|s_t)：监督阶段用 -logπ(a_t^gt|s_t)，RL 阶段只是在 log probability 上乘优势并增加相对 reference policy 的 KL。动作、环境步和 reward 的时间粒度容易对齐，Plan-R1 因而可以冻结 world model decoder、更新 planning decoder，并按 On-road、Collision、Speed Limit、Comfort 做组内 rollout。

Diffusion 有三类 RL 接口。Energy-Based 在生成后按 exp(βR) 重排样本，改动小但主要优化选择；Value-Guided 在去噪时加入价值梯度，不重训生成器但依赖可微、可靠的 value；Policy-Level 把整条去噪策略纳入 PPO/GRPO 更新，能改变分布，却要解决多步 log probability、轨迹级 credit 和高方差。DiffusionDriveV2 用 anchor 内与 anchor 间两层 GRPO，既防组内模式坍缩，也避免“矮子里拔将军”。

Flow-GRPO 把 Flow 生成过程视为策略，以同场景多样本的组内相对 reward 调整向量场方向，并用 clipped objective 与 KL 限制更新。它让整段轨迹 reward 进入连续生成器，但 credit 仍是 trajectory-level；少步采样降低 rollout 成本，不自动解决 reward 是否正确。无论哪种 Planner，RL 都应建立在已有监督策略上，不能替代场景表示、动作词表与基本可驾驶行为的学习。

终局判断：AR+RL 是当下的多数派，但要知道代价

A 课在 AR 与 Diffusion 的终局对比里给了一张五维表：决策可解释性，AR 强（逐步决策可回放）、Diffusion 弱；RL 的信用分配，AR 清晰（每个 token 都有 log 概率）、Diffusion 非常模糊；动作控制粒度，AR 精细、Diffusion 粗；在线 rollout 成本，AR 便宜、Diffusion 昂贵；reward 注入，AR 直接、Diffusion 困难。结论是讲师的原话：“AR + RL 是目前绝大多数公司的选择，范式可以参考 Plan-R1。”这句判断与 DPPO 论文侧的方法论背景一致——扩散策略接 on-policy 优化要解决 log 概率难算、方差大的问题，AR 天生没有这一关。

但同一份材料立刻给出反向对照，防止判断变成站队：多模态表达 AR 弱、易 collapse——第一个关键时间步必须“选边站”，选完之后条件分布就压缩成单模；Diffusion 强，整段轨迹级的多模态更容易保持。长期规划 Diffusion 更强，reward 可以覆盖整段生成；误差累积 AR 高——训练时 teacher forcing 看真值历史、推理时 self-feeding 吃自己的预测，exposure bias 在真车上还会沿动力学继续放大——Diffusion 低。课件的收尾句值得整段引用：“量产选择取决于团队更愿意承担哪一类复杂性。”

Diffusion 阵营对自己短板的回应也已经成体系。落地判断来自 A 课：“Diffusion 擅长覆盖多个 mode，但落地需要的是可排序、可筛选、可评估风险”——它没有显式概率排序，不像 AR 有 likelihood，不像 RL 有 value，所以量产组合是 Diffusion 只做候选生成，把筛选交给规则、优化或 RL。DiffusionDriveV2 是这条路的论文版本：intra-anchor GRPO 提升同一意图内候选的质量，inter-anchor GRPO 防止“矮子里拔将军”——正面回答了“谁来管那些不是最优的候选”。Flow-GRPO 则解决了流匹配的先天问题：确定性 ODE 没有探索空间，转成 SDE 才有可优化的分布。生成器路线之争的真实形态，不是三选一，而是各自补齐“生成-排序-优化”三件套的不同顺序。

路线评审：不要问“选 AR 还是 Diffusion”，先问七个可验证问题

方法名无法替代系统规格。对行业从业者更有用的评审方式，是把所有方案放回相同工作量和相同闭环场景，逐项比较表示、输入、训练、推理、选轨、实时性和 RL 接口。若一个方案用更多候选、更大的感知骨干或额外规则优化，却只比较 Planner 名称，结论没有决策价值。

还要区分课程口径与行业共识。B 课程把 AR 概括为“一步一步 decode 比较慢”、Diffusion 概括为“天然多模，并行解码”；这是合适的教学索引，但不包含实际 token 数、去噪步数和硬件。A 课程补充了更多量产判断，仍属于课程作者的经验总结。最终选型必须用本团队数据分布、芯片预算、闭环仿真和安全约束复验。

• 表示：连续轨迹、动作 token、anchor 残差还是速度场？表示盲区如何测？
• 输入：动态、静态、导航、ego history 是否齐全？异步、缺失和噪声是否训练过？
• 训练：监督目标是否覆盖基本驾驶分布？多模态是否被平均或过早坍缩？
• 推理：token 数、NFE/去噪步数、候选数和 P99 端到端延迟是多少？
• 选轨：Top-K coverage 与 Top-1 selection 分别多好？失败能否定位到生成器或排序器？
• 闭环：执行动作改变场景后是否重新产生合理分支？预测是否条件化于 ego action？
• 优化：RL 的动作粒度、reward、reference、KL、credit 与安全兜底分别在哪里？

三门课怎么对上

同一个工程问题，三门课的观察层级不同。下面逐条标出它们是相互印证、作用域不同，还是在相同前提下保留张力——不把任何一门课单独当作行业定论。

沿着主线继续

相关术语

• 一段式——感知、预测、规划在统一表征里联合优化，直接输出轨迹——上限更高，但难 debug、难闭环验证。
• Query 与候选轨迹——query 是模型内部「带槽位的探针」，proposal 才是解码后拿出来比较的候选结果。
• 自回归轨迹生成——把轨迹变成 next-token prediction，一步步生成——训练稳定、天然接 RL，但会误差累积、多模态容易坍缩。
• 动作词元设计——「下一步」到底表示什么——不同的 token 定义会改变学习难度、噪声传播和极端场景表现。
• 扩散模型轨迹生成——先给真实轨迹逐步加噪，再学习反向去噪——天然适合表达「未来有多个合理答案」，但多步去噪会拖慢推理。
• 截断扩散与锚点——不从纯噪声出发，而是从聚类得到的轨迹锚点加少量噪声开始去噪，用少数几步换取车端实时性。
• 流匹配——不预测噪声，而是学习从噪声轨迹流向真实轨迹的连续速度场，推理时解 ODE——采样步数更少。
• 多模态轨迹——未来不是一个确定的点，而是一个分布：可以跟车、变道、让行、绕行，模型输出多条候选来表达这种不确定性。
• 导航路径——它表达的是长期路线意图（该往哪走），不是可执行轨迹，不能直接控车。
• 逐步展开与误差累积——策略一步步展开未来时，前一步的输出会变成后一步的输入——错了就会沿着错误状态一路滚下去。
• 信用分配——整条轨迹拿到一个 reward，要把功过分配回生成过程中的哪一步——AR 天然对齐，Diffusion 要摊回多个去噪步。
• PPO 与 GRPO——都是策略优化算法；GRPO 用「同场景多条候选的组内相对好坏」算优势，省掉了单独的价值网络。

相关论文

• VAD：面向高效自动驾驶的向量化场景表示——黑盒与结构化之间的折中
• VADv2：通过概率规划实现端到端向量化自动驾驶——概率规划
• DiffusionDrive：端到端自动驾驶的截断扩散模型——截断 + 锚点换实时
• ResAD：端到端自动驾驶的归一化残差轨迹建模——惯性参考 + 残差
• GoalFlow：目标驱动的流匹配多模态轨迹生成——给流一个目标点
• Plan-R1：把安全可行的轨迹规划建模为语言建模——规划语言化 + GRPO
• DiffusionDriveV2：强化学习约束的截断扩散建模——锚内提质，锚间协调
• Flow-GRPO：通过在线强化学习训练流匹配模型——ODE 转 SDE 再 RL
• FAST：面向视觉-语言-动作模型的高效动作词元化——tokenizer 即控制接口
• Diffuser：用扩散做灵活的行为合成——value 引导采样
• DPPO：扩散策略的策略优化——diffusion 微调方法论

材料来源