规划器：端到端怎样生成一条可执行轨迹｜自动驾驶深度专题

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同一条可学习的信息流，让规划损失能影响共享表征。它并不要求取消编码器、后处理或控制器。规划器这一端怎么接输入，可以看一种量产方案：动态元素带位置、尺寸、航向、速度和预测轨迹；静态元素有路沿、车道线、箭头及其属性；SD 导航另外提供推荐车道、行点和剩余距离。三路各自编码，汇成环境特征，再由自车的多模态 Query 做交叉注意力，回归出轨迹。注意，这套接法里规划器只读结构化结果，按专题 01 的判据属于两段式的第二段；一段式会再给规划器接一条直读上游特征的旁路，规划器本身的结构可以几乎一样。

换个角度看，规划器本质上是一个轨迹解码器。查询来自自车状态，或者自车状态加导航。它读取的场景信息，可以是 BEV 特征、图像特征、动静态感知结果、导航和时序历史，也可以是它们的组合。输出是轨迹及其概率，也可以直接是控制量。所谓“感知规划一体化”，改变的主要是中间接口能不能学，地图拓扑、交通灯语义和车辆动力学并不会凭空消失。

导航也不是可有可无的附加信息，它决定候选分布朝哪里展开。经典规控靠参考线；有的方案把导航车道和行点直接写成场景 token；GoalFlow 先从目标点词表里选出一个目标点。真正的分歧在于用硬参考线、软导航 token 还是目标点词表，而不是要不要目标。导航条件太强也会出问题：模型容易照着 SD 行点去变道，结果变道偏晚。一个补法是随机丢掉一部分行点，做导航增强，逼模型更多依赖感知。

量产方案在生成器之后，还保留一整条执行链。多模轨迹先过滤，过滤时融合导航和动静态信息。接着做横纵解耦的打分，再做时空联合优化来精修轨迹，最后交给控制。端到端改变的是哪些接口可以学，不是取消“生成、选择、优化、控制”这几件事。所以评审一个一段式系统，至少要问清四个边界：规划器收到什么，生成器输出什么，谁从多条候选里选出一条，执行前还有哪些硬约束。只看网络结构图，会漏掉真正决定可用性的选择器和安全链路。

输入：传感器或它的场景表征，动态目标、地图和导航 token，自车历史与车辆状态。
输出：单条轨迹，多条轨迹及其分数，或者能进一步解码成控制量的动作 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，比界面上还叫不叫“模块”，更能区分一段式和传统串联。

四种规划器，其实在解同一个条件生成问题

统一的写法，是从当前场景 s 生成未来轨迹 τ，也就是学一个 π(τ|s)。差别在三处：τ 怎么表示，训练目标怎么定，推理时怎么搜索。Query 回归型直接输出连续轨迹。Query 打分型先备好锚点或轨迹词表，再给每个候选打分；VADv2 的词表，就是从人类驾驶示范里挑出的 4096 条轨迹。AR 把轨迹拆成有顺序的离散动作 token。Diffusion 从带噪声的整段轨迹出发，反复去噪。Flow Matching 学的是从噪声轨迹流向真实轨迹的连续速度场。

经典规控给了一个绕不开的物理参照。Frenet 采样和 Lattice 先撒出一批候选，再按代价挑；时空搜索在 s-l-t 空间里按代价扩展节点；走廊方法先划出安全可行的空间，再在里面优化。说到底都是两步：先把可行的动作铺开，再按安全、效率、舒适和动力学选出一条。学习型规划器没有取消这个问题，只是把候选分布、代价，或者两者一起交给数据去学。所以比较生成模型时仍要检查四件事：候选有没有覆盖正确的机动，轨迹是否动力学可行，和他车的预测是否交互一致，最终选轨能不能解释。

Query 方案是重要的基线。回归型结构简单，容易和感知 Query 统一，但单条轨迹的 MSE 容易把几种合理的未来平均成一条；要出多模态，得靠多组 Query 加正负样本匹配。打分型靠锚点词表，稳定地给出多模态候选，上限却受词表覆盖约束。AR、Diffusion 和 Flow 的价值，是用不同的生成假设扩大候选的表达能力，而不是绕开候选覆盖和选择这两个基本问题。把它们放进同一个框架，是为了公平比较；但框架统一不等于差异消失：表示有盲区，搜索有成本，信用分配的粒度也各不相同。

离散序列

表示：acc / yaw_rate 或 dx / dy / dyaw 这类动作 token。
训练：teacher forcing 下的 next-token 交叉熵。
推理：逐个 token 采样或取 Top-K，串行解码。
主要风险：量化误差，exposure bias，早期分支一旦选定就坍缩成单一模式。

Diffusion

整段轨迹的分布

表示：整段轨迹；可以从锚点附近起步，也可以只生成相对参考轨迹的残差。
训练：在随机时间步上回归噪声或 score。
推理：多条候选迭代去噪，候选之间可以并行。
主要风险：采样延迟，候选没有天然排序，锚点有盲区。

Flow

连续速度场

表示：从噪声轨迹到真实轨迹的概率路径。
训练：在任意时刻回归速度场。
推理：解条件 ODE，可以少步积分。
主要风险：少步时的质量，以及目标条件和选择器靠不靠得住。

三栏只比生成器本身。它们在量产里怎样接排序、接强化学习，见后面几节。

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。常用的动作表示有两类：一类用 acc 和 yaw_rate，便于对应车辆控制和动力学；另一类用局部坐标下的 dx、dy、dyaw，直接表达相邻时刻的位姿变化。两类在量产里各有短板。acc / yaw_rate 总体表现更好，航向抖动多数时候也小得多，但急加减速时大加速度的动作很稀疏，表现会差很多。dx / dy / dyaw 在极端场景下相对更真实，但更难学；解码成框的中心点后再算航向，还会把抖动进一步放大。

连续动作可以按固定区间分 bin，也可以用 K-means 聚类建码本。Plan-R1 按车辆、行人、骑行者分别建码本，每类 [1024, 3]，每一条记录 x、y 和航向。匹配真值时，它比较的是框的平均角点距离，而不是中心点距离；这样，位置相同、朝向不同的两个动作，不会被当成同一个。

场景侧也要 token 化。每个 token 由四块组成：矩形框 Polygon、折线 Polyline、属性 Property 和有效位 Mask。一个动态目标在每个历史时刻占一个 token。车道线、路沿、停止线和红绿灯带上各自的几何与属性。导航车道把是否推荐、车道序号、车道类型、距路口距离和转向语义写进 Property；导航行点作为一条 Polyline。Transformer decoder 在这些场景条件上，预测下一个动作 token。

训练时，连续的真值动作先匹配到最近的离散 token。teacher forcing 让每一步都看到真实历史，用交叉熵最大化 p(z_t | z_<t, context)。所以所有时间步可以并行训练，损失单一，梯度稳定。推理时就不一样了：模型要把刚预测的 token 解码成下一时刻的位姿，再把这段自己预测的历史喂回去，直到生成完整的 T 步轨迹。训练和推理的这种错位，正是误差累积的来源。Top-K 或采样可以给出多模候选，序列似然可以当排序信号，但似然高，不等于长期的安全收益高。

AR 的实时性瓶颈来自因果串行：动作 token 越密、预测时域越长，解码次数就越多。减少 token 数、一次输出一段动作块，或者分层先出意图再出细动作，都能降延迟，但会改变信用分配的粒度和闭环纠错的频率。DriveVLA-W0 的对比里，AR 的延迟随 token 数线性增长，Query 和 Flow Matching 基本恒定。这是架构趋势，不等于任何具体实现都一定更慢。

构建动作词表把连续控制量或相邻位姿变化离散成 token；检查码本覆盖率、量化误差，以及不同速度区间的分辨率。
编码场景上下文融合自车历史、动态目标、道路拓扑、交通灯、导航和有效性 mask；别只用视觉 token，丢掉车端必需的语义。
监督预训练用 teacher forcing 做 next-token 交叉熵，先得到一个能开、接近人类分布的策略初始解。
自回归推理逐步采样 token、更新局部位姿并回灌；同时监控解码延迟、非法 token、误差累积和分支过早收缩。
候选排序与约束不能只按序列似然执行；仍要做碰撞、可行驶区、导航、舒适度和控制可跟踪性检查。

Diffusion：不是把轨迹画成图片，而是对动作序列做条件去噪

Diffusion 规划器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 采一个时间步 t，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，回归加进去的噪声，或者等价的 score。在 Diffusion Policy 里，视觉观测可以用 FiLM 注入 Conv1D，也可以作为 Transformer 交叉注意力的 key 和 value。自动驾驶的实现通常还会接入 BEV、agent、地图、自车状态和导航目标，所以它不是无条件地“从噪声里造一条线”。

推理从一组噪声轨迹开始，从 x_T 一路去噪到 x_0。候选之间可以并行，但每条候选内部仍要调用多次 decoder。原版 Diffusion 需要的采样步数多，车端扛不住。DiffusionDrive 用 K-means 聚出锚点，代表直行、转弯、变道这类意图。它只在锚点附近按截断的 schedule 加噪，再用两步左右的 decoder 局部恢复，这就是截断扩散。它用结构先验换来了速度；但锚点词表没覆盖到的新机动，截断采样也会把这块盲区固化下来。

ResAD 更进一步，不预测整条轨迹。它先由当前的自车状态构造一条惯性参考，对参考加扰动，得到多个初始意图；再让 Diffusion 生成相对参考的归一化残差。这样，不同预测时刻的残差分布更一致，网络只需学“在物理先验上要修多少”，等于把驾驶物理放进了生成空间的先验。急转、紧急避障、低速博弈这类惯性参考本身就不好的场景，要单独验证残差空间是否仍能覆盖真值。

Diffusion 的多模态只是候选能力，不是决策能力。基础模型生成 N 条轨迹之后，必须有打分头、轨迹排序器、模式选择器或外部代价函数，选出最后一条。DiffusionDrive 同时预测分数和轨迹。ResAD 明确输出 Top-1 和 Top-5。DiffusionDriveV2 先用分数选出 Top-K，再学习排序。评测时要把“真值是否在 Top-K 里”和“Top-1 是否选对”分开，否则分不清失败出在生成器还是选择器。

定义生成空间选整段轨迹、锚点附近的轨迹，或惯性参考上的残差；做好坐标归一化和物理可行性检查。
构造场景条件把 BEV 或透视特征、agent 与地图、自车状态、导航或目标点注入去噪器，别只依赖随机噪声。
随机时间步训练给专家轨迹加噪，回归噪声或 score；可以同时保留监督规划损失，避免生成目标和驾驶目标脱节。
截断或少步去噪从锚点周围初始化多组候选，按固定步数迭代；实测端到端的 P50 和 P99 延迟，而不是只报 decoder 单步耗时。
排序和执行前检查用可行驶区、碰撞、导航、舒适和目标一致性选出 Top-1，再经规则过滤、时空精修和控制。

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 的噪声或 score，换成了速度场。对每条专家轨迹 τ，采一个高斯噪声 ε 和一个时刻 t∈[0,1]，在线性概率路径上构造 x_t=(1-t)ε+tτ，目标速度就是 τ-ε。模型 v_θ(x_t,t,s) 看到场景编码 s 和当前的中间轨迹 x_t，回归“此刻该往哪个方向走”。训练仍是可并行的均方误差，训练时不需要完整地解一遍 ODE。

推理从 x_0=ε 出发，按 dx/dt=v_θ(x,t,s) 做 Euler 或更高阶的积分，直到 x_1 成为轨迹。因为学的是确定性 ODE，初始噪声和条件相同，路径就相同；换不同的初始噪声，仍能生成多模候选。步数可以比典型的 Diffusion 少，但步数越少，数值积分和模型逼近的误差越大。“可少步甚至一步”是方法的上限，要用闭环安全和候选覆盖去验证，不能直接写成量产事实。

GoalFlow 给出了 Flow 在规划器里的完整接口。感知模块先生成 BEV 特征。目标点词表结合自车状态和 BEV，用距离分和可行驶区合规分选出目标点。轨迹解码器以 BEV 和目标点为条件做 Flow Matching。最后，轨迹打分器从多条候选里选一条。可见 Flow 并没有取消离散先验和选择器，它换掉的只是“从目标到完整轨迹”这段连续生成。

Flow 的实时优势也离不开轨迹长度和网络结构。它可以并行更新整段轨迹，延迟不像 AR 那样随动作 token 数串行增长。但总预算里还有别的账：ODE 求解要调用网络的次数，也就是 NFE；还有候选数、场景交叉注意力和最后的打分器。“少步”是有条件的潜力，换了硬件、候选数和网络规模，不一定还成立。工程验收应报告 NFE、候选数、端到端频率、最坏延迟，以及闭环里降频运行的影响。

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，保留场景条件 s。
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。
回归条件速度场最小化 v_θ(x_t,t,s) 与 τ-ε 的差；场景编码、导航或目标点决定生成方向。
少步 ODE 推理从多组 ε 出发积分到 t=1；用 NFE 和端到端延迟衡量“少步”，而不是看方法名称。
目标与候选选择先验证目标点词表的覆盖，再验证轨迹打分器能否把安全、可行驶、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

Lattice 采样、DP 加 QP、时空走廊，这些传统方法早就把候选生成和代价选优分开了。候选要覆盖足够的机动，代价再权衡障碍、道路边界、效率、平滑和动力学。学习型规划器仍守着这个结构，只是候选和代价都可能由网络产生。如果论文只报 minADE / minFDE，它测的是候选集里最好的那一条，证明不了系统实际执行的 Top-1 是对的。Top-K 里的最好成绩只能诊断生成器，不能当执行验收；验收要同时报 Top-1、约束失败率和闭环表现。何况开环指标本身和真实闭环驾驶的相关性就很弱，更适合拿来看训练有没有收敛。

AR 可以用 token 概率或序列得分排序，但局部最大似然不等于整段的长期回报。Diffusion 本身没有显式的似然排序，通常要外接打分头或排序器。Flow 也要目标点打分器和轨迹打分器。选轨至少要融合碰撞、TTC、可行驶区合规、导航一致性、限速、舒适、进度和可控性，还要写明冲突时谁优先。一套量产 reward 的做法可以参考：按安全、法规、体感排优先级，一旦发生碰撞，绕行相关的奖励直接清零。

选择器上游还有一层常被忽略：他车预测怎样和自车候选配套。边际预测给每辆车各自独立地输出候选和概率，拼在一起，容易出现轨迹互相重叠的组合，现实里这些组合不可能同时发生。联合预测把概率放在整个场景上，各车轨迹是配套的，能体现交互。以自车动作为条件的预测更进一步，把自车的每条候选和他车的反应一起评估。规划器如果只在固定的他车预测上打分，就把交互风险留给了执行时去兜底。

生成质量：真值或安全可行的轨迹是否进了 Top-K；直行、转弯、让行、绕行这些关键模式是否都覆盖到。
排序质量：Top-1 和 Top-K 里的最优差多少；排序分数是否按场景分层校准过。
约束质量：候选在道路、碰撞、交规和动力学上的硬失败率。
闭环质量：执行 Top-1 之后，环境的反馈是否让下一周期的候选发生正确的变化。

硬数字对撞：三条路线各自的账单

AR 的第一笔账是词表。按时间步 token 化，10 秒、10Hz 就要生成 100 个 token，序列长，误差累积严重。改成空间点 token 只要 10 到 20 个，代价是时间变成隐式的，速度和 jerk 要另加约束。同一条轨迹，表示方式决定了序列长度和误差的传播路径。词表大小也是一笔取舍账。AutoVLA 把动作码本从 256 扩到 4096，建模误差 ADE 和 FDE 一路下降。覆盖率从 256 时的 86.47%，升到 2048 时的 99.42%，使用率一直是 100%。扩到 4096，覆盖率满了，使用率却跌到 91.46%，近一成的码字用不上。AutoVLA 最终取 2048，按覆盖率和使用率一起定词表大小。

tokenizer 的选择可以直接测出来。同一套 AutoVLA 框架下，K-disk 聚类词表的 PDMS 是 80.54，换成 FAST 的 DCT 压缩只有 67.63。让视觉语言模型输出物理动作 token，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，慢了近一倍，还低了九分多。tokenizer 本身就是控制接口：选错了表示，模型看起来会预测，落到控制上却更差；换成文字航点，还更慢。

Diffusion 的账单是延迟。标准扩散推理典型要 20 到 100 步，每一步都要跑一遍完整网络，对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，反而发生了模式坍缩；截断到 2 步的版本，保住了多样的模式。截断的价值不只是少跑几步，更在于把无结构的高斯探索，换成了围绕意图锚点的局部探索。

延迟曲线也要看全。DriveVLA-W0 在同一个模型上换了三种动作专家。Query 专家稳定在约 75 毫秒，Flow Matching 专家稳定在约 145 毫秒。AR 专家从约 75 毫秒起步，随 token 数线性增长，过了 14 个 token 左右才比 Flow 慢。同一组对比里还有一个时序示例，AR 反而比 Flow 更稳，但只能当参考。

生成之后，还有一段被低估的差距。AutoVLA 单次采样是 80.54 分，Best-of-N 是 92.12 分，差了 11.6 分。这说明更好的答案就在模型的分布里，只是一次采样未必拿得到；强化微调之后，单次采样升到了 89.11。GoalFlow 从反面给了证据：没有目标点引导时，生成的轨迹混乱分散；加上目标点词表的距离分和可行驶区合规分，轨迹才收拢。Diffuser 更早给出了这种分工的原型：生成器只管学轨迹分布，价值函数在采样时用梯度把轨迹引向高回报，不必重训生成器。三条证据指向同一个结论：选轨器不是生成器的附件，而是和它并列的第一等公民。

最后几个对照实验提醒：别把性能差异全算到路线头上。DrivingGPT 只加了一个动作位置编码，PDMS 就从 65.3 涨到 82.4，17 分来自一个 embedding，不是范式革命。DriveMoE 的专家数量有一个最好的点：6 个能力专家时 Driving Score 是 74.22，13 个降到 70.88，44 个只剩 68.22。一种可能的解释是切得太细，每个专家分到的数据不够。路线之间的排序，还会随数据规模和评测口径变化。还是 DriveVLA-W0 那三种动作专家：在约 10 万帧的 NAVSIM 上，PDMS 依次是 Query 88.4、Flow 87.2、AR 85.3。换到 7000 万帧的内部数据，比 ADE 和碰撞率，AR 反而最好。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 对 10 到 20 个空间点 token；码本扩到 4096，误差还在降，使用率却跌到 91.46%。
tokenizer：K-disk 80.54 对 FAST 67.63；物理动作 3.95 秒对文字航点 7.65 秒。
延迟：标准扩散 20 到 100 步，难以上车；DiffusionDrive 截断到 2 步，模式反而更全；AR 专家过了约 14 个 token 才比 Flow 慢。
生成与选择：单次采样 80.54 对 Best-of-N 92.12，更好的答案就在分布里。
单变量：一个位置编码加 17.1 分；能力专家 6 个最好，44 个反降；数据从 10 万帧换到 7000 万帧，路线排序跟着变。

与 RL 的接口：优化的是 token、去噪过程，还是整段候选

AR 天然给出一个策略 π_θ(a_t|s_t)。监督阶段的损失是 -log π(a_t^gt|s_t)；到了强化学习阶段，只是在 log 概率上乘一个优势，再加上相对参考模型的 KL 约束。动作、环境步和 reward 的时间粒度也容易对齐。Plan-R1 就是这么做的：冻结世界模型那一路解码器，只更新规划解码器。两路一起 rollout，用在路、碰撞、限速、舒适四项规则奖励打分，再用 GRPO 做组内比较。

Flow-GRPO 把 Flow 的生成过程当成策略：同一个条件下采一组样本，按组内的相对 reward 调整速度场的方向，再用裁剪目标和 KL 限制更新幅度。它的原始实验是文生图，搬到轨迹上思路一样。它让整段轨迹的 reward 进入了连续生成器，但信用分配仍停在轨迹级别；少步采样降低了 rollout 成本，却不会自动保证 reward 是对的。

Diffusion 接 RL 有三种深度，区别在于 reward 作用在哪一层。改得越深，能改变的越多，训练也越难：

Energy-Based：生成之后按 exp(βR) 给样本重新加权，生成器参数不动。改动最小，主要优化的是选择，多模态可能退化。
Value-Guided：去噪时加入价值梯度，把轨迹往高回报处引，不用重训生成器，多模态也能保留。前提是有一个可微、可靠的价值函数。
Policy-Level：把整条去噪过程当作策略，用 PPO 或 GRPO 直接更新生成器，能改变分布。代价是多步 log 概率难算、轨迹级的信用分配和高方差，高维空间里也容易坍缩。DiffusionDriveV2 属于这一类。它的锚点内 GRPO 只在同一个锚点里比较，防止模式坍缩；锚点间 GRPO 引入全局视角，避免在一组差候选里“矮子里拔将军”。

AR + RL

逐动作的信用分配

策略似然明确，KL 和参考模型的接口直接。
rollout 粒度与环境步对齐。
长期 reward 仍可能被错误地归因到早期 token。

Diffusion + RL

整轨迹与去噪链的信用分配

适合对完整的多模候选施加长期 reward。
可以选重排、采样引导、直接更新三种深度。
去噪链长，log 概率和信用分配都更复杂。

Flow + RL

速度场的信用分配

少步生成有利于降低组内 rollout 的成本。
GRPO 可以用组内相对优势更新连续生成器。
仍依赖可靠的 reward、闭环环境和行为锚点。

三栏比的是接口，不是最终效果。无论哪种，强化学习都要建立在已有的监督策略上，替代不了场景表示、动作词表和基本驾驶行为的学习。

终局判断：AR + RL 被看作量产首选，但代价要算清

量产经验里有一个判断：AR + RL 是目前绝大多数公司的选择，可以参考 Plan-R1 的范式。这里要分清两件事。“AR 接强化学习的接口最直接”是结构事实；“绝大多数公司都选它”是经验判断，不是行业统计；它说的是路线选择，不等于闭环强化学习已经落地，一份八家厂商的对照里，没有一家标注闭环强化学习已落地。支撑这个判断的，是下表左栏的五项。反观扩散策略，接在线策略梯度时要专门处理 log 概率难算、方差大的问题，DPPO 这类工作要攻克的正是这一关；AR 天生没有这一关。

反过来看，AR 也有三处实打实的短板。多模态弱：第一个关键时间步就得“选边站”，选完之后，条件分布就压成了单一模式。长期规划弱：它优化的是下一步的似然，不直接回答哪个动作能带来更好的远期结果；Diffusion 一次生成整段，reward 可以覆盖全程。误差累积高：训练时 teacher forcing 看的是真值历史，推理时吃的是自己的预测，这种 exposure bias 在真车上还会沿着动力学继续放大。所以选哪条路，本质上是看团队更愿意承担哪一类复杂性。

Diffusion 一方对自己的短板，也有了成体系的回应。起点是一句落地判断：Diffusion 擅长覆盖多个模式，但落地需要的是可排序、可筛选、可评估风险。它没有显式的概率排序，不像 AR 有似然，也不像 RL 有价值函数。所以量产的组合方式，是让 Diffusion 只生成候选，把筛选交给规则、优化或强化学习。DiffusionDriveV2 是这条路的论文版本，正面回答了“那些不是最优的候选由谁来管”。Flow-GRPO 补上了流匹配的先天缺口：确定性 ODE 没有探索空间，转成 SDE 才有可以优化的分布。生成器路线之争的真实形态不是三选一，而是各自按不同的顺序，补齐“生成、排序、优化”这三件套。

AR + RL

赢在接口与可控

可解释性：强，逐步决策，每一步都能回放。
信用分配：粒度清晰，reward 能对齐到每个 token；但长期 reward 仍可能被错归到早期 token。
动作控制：精细，还能在 token 级别加 KL 和参考模型约束。
在线 rollout：便宜。
reward 注入：直接。

Diffusion + RL

赢在多模态与长期结构

多模态：强，从噪声采样，天然生成多解。
长期规划：更强，一次生成整段，reward 覆盖全程。
误差累积：低，不做逐步累积。
代价：reward 要反传整个去噪过程，信用分配模糊，训练容易震荡、不收敛。

左栏是 AR + RL 占优的五项，右栏是 Diffusion + RL 占优的三项和它的代价。

路线评审：不要问“选 AR 还是 Diffusion”，先问七个可验证问题

方法名替代不了系统规格。更有用的评审方式，是把所有方案放回相同的工作量和相同的闭环场景，逐项比较表示、输入、训练、推理、选轨、实时性和强化学习接口。如果一个方案用了更多候选、更大的感知骨干或额外的规则优化，却只拿规划器的名字来比，结论就没有决策价值。

还要分清一句话概括和实测结论。“AR 一步一步解码，比较慢”“Diffusion 天然多模，并行解码”，这类概括适合当索引，但不包含实际的 token 数、去噪步数和硬件。前面那些量产判断，也属于经验总结。最终选型，要用本团队的数据分布、芯片预算、闭环仿真和安全约束复验。

表示：连续轨迹、动作 token、锚点或参考轨迹上的残差，还是速度场？表示的盲区怎么测？
输入：动态、静态、导航、自车历史是否齐全？异步、缺失和噪声训练过没有？
训练：监督目标是否覆盖了基本的驾驶分布？多模态有没有被平均掉，或者过早坍缩？
推理：token 数、NFE 或去噪步数、候选数和 P99 端到端延迟各是多少？
选轨：Top-K 覆盖和 Top-1 选择各有多好？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，是否重新产生合理的分支？预测是否以自车动作为条件？
优化：强化学习的动作粒度、reward、参考模型、KL、信用分配和安全兜底，分别放在哪里？