1. 使用扩散模型的原因：为什么要学习 “恢复” 而非 “创造”？
在自动驾驶的路径规划中，传统算法往往试图让模型直接给出一个完美的答案 —— 一条精确的轨迹。但人类驾驶的本质是多模态且高度非线性的：面对前方的障碍物，向左绕行和向右绕行在概率上可能是等效的。
如果让模型直接预测一个如此复杂的分布，它往往会在多种可能性之间 “取平均”，最终吐出一条撞上障碍物的、平滑却错误的 “折中轨迹”。
DDPM（Denoising Diffusion Probabilistic Models）的核心思想实现了一次降维打击：
与其直接预测那个捉摸不透的复杂分布，不如学习如何一步步从纯粹的混乱（随机噪声）中恢复出有意义的结构。
问： 把原本清晰的专家轨迹变成一团乱码，再费劲变回来，这难道不是多此一举吗？
答： 关键在于 步进式修正” 的难度分级 。在 𝐻 维的状态空间里，直接画出一条完美的曲线极难；但如果我给你一条几乎已经成型的轨迹，让你识别并剔除其中微小的、不符合物理规律的扰动（噪声），这就变成了数值回归问题。通过 𝑇 步微小的去噪，扩散模型将一个复杂的高维生成问题，转化为了一个连续的、可微的梯度下降问题。
2. 为什么扩散模型能让 “生成问题” 转化为 “回归问题”？
在传统的生成模型（如 GAN 或早期的 VAE）中，我们要解决的是一个全局拟合问题：模型必须一次性理解从 “随机噪声” 到 “完美轨迹” 之间极其复杂的非线性映射。这种映射充满了断裂和多模态，数学上极难收敛。
扩散模型通过 “分步采样” 实现了一个巧妙的数学转换：
2.1 局部线性化：将 “大象” 拆成 “原子”
在 DDPM 的 𝑇 步链条中，如果 𝑇 足够大（例如 𝑇 =1000 ），那么相邻两个状态 𝑥𝑡 和 𝑥𝑡−1 之间的差异是极其微小的。
- 全局看：从纯噪声到轨迹是复杂的非线性分布生成。
- 局部看：从 𝑥𝑡 恢复 𝑥𝑡−1，由于变化极其微细，这种变换在局部可以被近似看作是加性高斯噪声的去除。
2.2 预测目标的降级
当我们把目标从 “预测轨迹” 转变为 “预测这一步注入的噪声 𝜖 ” 时，根据扩散模型的加噪公式：
𝑥𝑡=√¯𝛼𝑡𝑥0+√1−¯𝛼𝑡𝜖
其中 𝑥0 是专家轨迹，𝜖 是我们注入的随机噪声。神经网络 𝜖𝜃(𝑥𝑡,𝑡) 的任务变成了：已知受损的状态 𝑥𝑡，推测出那个被注入的 𝜖。
问： 为什么说这是 “回归”？
答： 因为 𝜖 是从标准正态分布 𝑁(0,𝐼) 中采样出来的。神经网络不再需要去预测一个具有复杂拓扑结构的 “轨迹分布”，它只需要去预测一个连续的数值向量。
在训练时，我们的损失函数（Loss Function）极其简单：
𝐿=‖𝜖−𝜖𝜃(𝑥𝑡,𝑡)‖2
这就是最典型的 均方误差回归（MSE Regression）。
扩散模型把一个需要 “艺术创作” 的生成难题，拆解成了 1000 个 “找不同” 的回归练习。
- 不再纠结多模态：在每一个微小的去噪步中，模型只需要根据当前的残缺状态，指明一个 “脱离混沌” 的方向。
- 误差容忍度：即使某一步回归得不够精确，后续的 999 步迭代依然有反复修正的机会。
这种将 “分布生成” 向 “数值回归” 的降维处理，正是扩散模型在处理复杂车辆动力学约束时，比直接回归轨迹参数（如多项式系数）要稳健得多的根本原因。
3. 为什么局部微小的、看似随机的去噪动作，能产生具有全局一致性和物理逻辑的轨迹？
3.1 采样阶段的特征分级
- 初期（ 𝑡 →𝑇 ）：在噪声迷雾中捕捉 “多峰概率质心”
采样从纯高斯噪声开始。此时 𝑥𝑇 就像一团漫无目的的 “云团”。由于噪声占绝对主导，微观物理细节（如曲率、瞬时加速度）完全被淹没在方差中。
- 质心定位：对于 PnC 任务（如避障），概率分布 𝑃(𝑥) 天生是多峰（Multi-modal）的。左绕还是右绕？这是两个不同的概率高峰。模型此时通过回归噪声，本质上是在判定：当前这个随机点更靠近哪一个概率 “吸引子”？它确立的是全局语义的质心。
- 中期（ 𝑡 →𝑚𝑖𝑑 ）：锁定拓扑结构
随着 𝑇 次回归的累积，轨迹的形状开始显现。模型开始处理中频特征，通过反馈循环将轨迹约束在特定的驾驶流形内。
- 后期（ 𝑡 →0 ）：消除毛刺与物理对齐
此时信噪比极高，原本被掩盖的物理信号浮现。神经网络发挥其精细感知能力，微调每一帧之间的位移增量，确保最终输出的 𝑥0 满足执行器的平滑输入要求。
3.2 为什么预测噪声与预测轨迹等价？
在训练扩散模型时，我们最常用的损失函数是 MSE：
min𝜃𝔼𝑥0,𝜖‖𝜖−𝜖𝜃(𝑥𝑡,𝑡)‖2
这里的 𝜖 是我们亲手注入的噪声。看起来我们在训练一个 “猜噪声” 的模型，但由于 𝑥𝑡 =√¯𝛼𝑡𝑥0 +√1−¯𝛼𝑡𝜖，预测噪声和预测原始信号 𝑥0 在数学上是完全等价的。
如果你想求 𝑥0，只需要对上面的线性方程做简单的移项：
𝑥0=𝑥𝑡−√1−¯𝛼𝑡𝜖√¯𝛼𝑡
在一个确定的时刻 𝑡，¯𝛼𝑡 是已知的常数。
- 如果你知道噪声 𝜖，你就能精准地算出 𝑥0。
- 反之，如果你知道 𝑥0，你也能精准地推导出当初注入的 𝜖。
3.2.1. √𝛼𝑡 到底是什么？
在扩散模型（如 DDPM）的定义中，为了控制加噪的节奏，我们引入了一组随时间变化的超参数：
- 𝛽𝑡 ∈(0,1)：每一时刻注入的噪声方差比例。
- 𝛼𝑡 =1 −𝛽𝑡：每一时刻保留的原始信号比例。
- ¯𝛼𝑡 =∏𝑡𝑖=1𝛼𝑖：这是你在公式里真正看到的那个项。（注：为了书写方便，很多文献直接简写为 $\alpha_t$）。
如果我们想让加噪后的 𝑥𝑡 始终保持一个标准正态分布（均值为 0，方差为 1），那么我们就必须保证系数的平方和等于 1。那么就需要 (√¯𝛼𝑡)2 +(√1−¯𝛼𝑡)2 =¯𝛼𝑡 +1 −¯𝛼𝑡 =1，即为：
𝑥𝑡=√¯𝛼𝑡𝑥0+√1−¯𝛼𝑡𝜖
物理意义：
√¯𝛼𝑡 是一个衰减系数。它决定了经过 𝑡 步后，原始信号 𝑥0 还剩下多少 “浓度”。
- 当 𝑡 =0 时，¯𝛼0 =1，信号是完美的。
- 当 𝑡 =𝑇 时，¯𝛼𝑇 ≈0，信号彻底湮灭。
根据高斯分布的性质，我们不需要真的模拟 𝑇 次加噪，可以直接一步到位：
𝑥𝑡=√¯𝛼𝑡𝑥0+√1−¯𝛼𝑡𝜖,𝜖∼N(0,𝐼)
在这个等式里，𝑥𝑡 是我们观测到的（输入），而 𝑥0 （有效信息）和 𝜖 （噪声垃圾）是两个互相牵制的变量。
3.2.2 纯噪声的轨迹如何还原成有意义的轨迹？
在整个高纬空间中，我们希望从初始解出发，逐步的走向 𝑃(𝑥𝑡) 最大的地方。也就是说，我们应该在原来的信号上沿着 𝑃(𝑥𝑡) 的梯度方向走。
这里我们把梯度成为 Score Function (∇log𝑝(𝑥))
为什么要取对数呢？
- 单调性：对数是单调递增的，不会改变 𝑝(𝑥) 极大值的位置。
- 消除归一化常数：概率分布通常包含极其复杂的归一化系数（配分函数）$Z$，即 𝑝(𝑥) =1𝑍𝑒−𝑓(𝑥)。对 ln𝑝(𝑥) 求导时，ln𝑍 作为常数项直接消失，我们只需要处理能量函数 𝑓(𝑥) 的导数。
- 数值稳定性：概率值可能极小（如 $10^{-100}$），取对数后变为线性刻度，更适合神经网络处理。
那么怎么得到这个梯度呢？
我们首先人为地给专家轨迹 𝑥0 注入混乱。（我们先令 𝜎2 =1 −¯𝛼𝑡 ）
𝑥𝑡=√¯𝛼𝑡𝑥0+𝜎𝜖
这意味着，给定 𝑥0，观测值 𝑥𝑡 的概率密度函数是一个均值为 √¯𝛼𝑡𝑥0 的正态分布：
𝑝(𝑥𝑡|𝑥0)=1√2𝜋𝜎exp(−‖𝑥𝑡−√¯𝛼𝑡𝑥0‖22𝜎2)
取对数，求导，有：
∇𝑥𝑡ln𝑝(𝑥𝑡|𝑥0)=∇𝑥𝑡(−‖𝑥𝑡−√¯𝛼𝑡𝑥0‖22𝜎2+const)
∇𝑥𝑡ln𝑝(𝑥𝑡|𝑥0)=−𝑥𝑡−√¯𝛼𝑡𝑥0𝜎2=−𝜖𝜎
也就是说，噪声其实就是一个梯度方向的向量。这就解释了为什么我们减去噪声，就能让轨迹向着真实的轨迹靠近。
3.2.3 没有 𝑥0 怎么得到预测的噪声呢？
我们的神经网络学习的时候是给他 ( 𝑥0,𝜖,𝑡 ) 这样一个三元组的。
但是推理去噪点时候我们可以有逐步减小的 t，但是没有 𝑥0 啊，怎么让模型去预测 𝜖 呢？我要是有 𝑥0 干嘛还要做预测，直接用不就完了吗，这不成鸡生蛋蛋生鸡了。
推理（Inference/Sampling）阶段的本质是盲人摸象。
在训练的时候，我们庞大的数据可能对应着一系列的模态 𝑥(1)0,𝑥(2)0,...。
在自动驾驶中他可能是左转、直行、右转的专家轨迹，在图像生成中可能是猫猫狗狗的照片。
当你把模型部署到车上，给它一个纯噪声 𝑥𝑇 时，根本没有所谓的 “ 𝑥0 ”。
我们想要推断，只能靠贝叶斯定理提供的后验概率
𝑝(𝑥0|𝑥𝑡)=𝑝(𝑥𝑡|𝑥0)𝑝(𝑥0)𝑝(𝑥𝑡)
而 MSE 在统计学上有一个特性：它的最优解是所有可能结果的 “条件期望”。这意味着模型输出的噪声预测值 𝜖𝜃 实际上等价于：
𝜖𝜃(𝑥𝑡,𝑡)≈∫𝜖(𝑥𝑡,𝑥0)𝑝(𝑥0|𝑥𝑡)𝑑𝑥0
在这种无 $x_0$ 的条件下
∇𝑥𝑡ln𝑝(𝑥𝑡)=−𝔼[𝜖|𝑥𝑡]𝜎≈−𝜖𝜃(𝑥𝑡,𝑡)𝜎
接下来，我们知道
𝑥𝑡=√¯𝛼𝑡𝑥0+𝜎𝜖⇒𝜖=𝑥𝑡−√¯𝛼𝑡𝑥0𝜎
在推理时，对于一个确定的观测值 𝑥𝑡，变量是 𝑥0 和 𝜖。我们对等式两边同时取关于 𝑥0 的后验期望 𝔼[ ⋅|𝑥𝑡]：
𝔼[𝜖|𝑥𝑡]=𝔼[𝑥𝑡−√¯𝛼𝑡𝑥0𝜎∣𝑥𝑡]
由于 𝑥𝑡、√¯𝛼𝑡 和 𝜎 在给定时刻 𝑡 时都是观测到的常数，根据期望的线性性质
𝔼[𝜖|𝑥𝑡]=𝑥𝑡−√¯𝛼𝑡𝔼[𝑥0|𝑥𝑡]𝜎
此时代入就有
∇𝑥𝑡ln𝑝(𝑥𝑡)=−1𝜎⋅(𝑥𝑡−√¯𝛼𝑡𝔼[𝑥0|𝑥𝑡]𝜎)
∇𝑥𝑡ln𝑝(𝑥𝑡)=−𝑥𝑡−√¯𝛼𝑡𝔼[𝑥0|𝑥𝑡]𝜎2
它不需要知道具体的 𝑥0 是哪一个。它只需要根据当前的 𝑥𝑡，计算出在它记忆的所有专家经验中，最可能的回归方向。
3.3 为什么不会像直接对所有轨迹取平均一样直接从几条轨迹的中间走 —— 多模态坍缩
我们其实有多种不同的专家轨迹 𝑥(1)0,𝑥(2)0,…，在采样初期（ 𝑡 很大），𝔼[𝑥0|𝑥𝑡] 确实是所有模态的加权。
就行我们对 x 轴 y 轴两条线取平均的话，他就沿着 45 度的 y=x 直线去走了。
但随着采样迭代（ 𝑡 →0 ），𝑥𝑡 会因为采样中的随机性（噪声注入）稍微偏向某一个模态。模型在每一个微小的 𝑑𝑡 步都在求期望，一旦偏离平衡点，贝叶斯后验 𝑝(𝑥0|𝑥𝑡) 就会发生正反馈效应，让期望值迅速向某一个具体的模态 “坍缩”。随着 𝑡 →0，噪声变小，后验分布 𝑝(𝑥0|𝑥𝑡) 会迅速坍缩（变得非常尖锐），最终锁定在某一个具体的 𝑥(𝑛)0 上。
