Why Generative Planning? The Non-Convexity Argument Against Regression in Autonomous Driving
轨迹规划器是自动驾驶系统的决策核心。其任务为：给定当前场景，输出一条安全、舒适且高效的未来轨迹。当今大多数生产系统使用某种形式的回归——最小化预测轨迹与真值轨迹之间的距离。然而，越来越多的研究和工程证据表明，这种方法存在一个根本性缺陷：它假设可行集(Feasible Set)是凸的，而事实上它绝非如此。本文阐述从第一性原理出发的论证：为什么生成式方法（扩散、自回归）不仅仅是改进，而是必要的范式转换。 1. 可行域的非凸性 集合 SS 是凸的(Convex)，如果对于任意两点 A,B∈SA, B \in S，连接它们的线段上的每一点也属于 SS。在驾驶中，这一性质戏剧性地失效了： Obs Ego A: left detour (feasible) B: right detour (feasible) C = (A+B)/2: CRASH 轨迹 A 从障碍物左侧绕行；轨迹 B 从右侧绕行。两者都是可行的。它们的平均 A+B2\frac{A+B}{2} 径直撞向障碍物——不可行。可行域不是凸的，任何正则化都无法改变这一几何事实。 ...