DiffusionDriveV2：强化学习约束的截断扩散建模

它要解决什么问题

截断扩散保留了多模态，但模仿学习只监督最接近真值的正模式，其他 anchor 下的候选可能低质量甚至碰撞。

机制拆解

1. 继承 truncated diffusion 生成器
2. intra-anchor GRPO：只在同一驾驶意图（锚点）内部比较，防止模式坍缩
3. inter-anchor 截断 GRPO：引入全局视角，避免在一组差候选里「矮子里拔将军」；碰撞这类失败按绝对标准惩罚
4. 通过探索设计防止生成分布坍缩

量产判断

读完应该能问

• 各个 anchor 下候选的最差表现是什么？我们测过吗？

回到术语

• 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。
• 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。
• 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 的粒度天然对齐到每个 token，但长期 reward 仍可能错归到早期动作；Diffusion 要摊回多个去噪步。