BridgeGuard：面向扩散式自动驾驶的显式安全漂移
基于摘要分析。BridgeGuard 针对扩散式自动驾驶规划器在分布偏移下可能生成不安全轨迹的问题，在去噪过程中逐步增强约束项，将中间轨迹引向依场景确定的安全域；其贡献是将学习到的安全距离场与冻结的预训练规划器结合，并给出理想化连续时间桥过程下终端安全的充分条件。 机制上，轨迹修正在低维曲线空间中进行，以促进几何一致性。DistanceFieldNet 从鸟瞰图特征预测随时间变化的距离场，在专家轨迹之外采样查询点，并使用场值与空间梯度监督，使模型学习安全及不安全区域。该距离场通过安全注入提供约束项，预训练感知骨干与规划器保持冻结。摘要未给出具体约束形式、监督来源及连续时间理论条件，尚不能将理论结论直接等同于离散推理或真实驾驶中的安全保证。 作者报告，在 Bench2Drive 上，BridgeDrive 的 driving score 从 87.99 提升至 90.88，success rate 从 74.99% 提升至 76.36%；DiffusionDrive^{geo} 的对应指标从 80.79、58.18% 提升至 90.46、74.09%。作者据此报告跨模型泛化，但这不等同于跨数据集或任意分布偏移下的泛化。具体数据划分、分布偏移设置、消融、统计信息及复现条件尚未验证。 平台推测（待验证）：若 EEG/BCI 任务使用扩散模型生成具有明确可行域的输出轨迹，可假设其“冻结主模型、外加可学习约束场”的思路具有迁移价值；但驾驶方法依赖鸟瞰图、几何轨迹及可监督的安全距离，不能直接套用于 EEG 分类。可复用部分是逐步约束注入，需改造的是输出空间、距离定义与监督构造；低信噪比、跨被试及通道变化、小数据均可能使约束场失准。小规模可证伪实验可在固定 EEG 驱动轨迹解码器及相同跨被试划分下，对比无约束、固定约束与渐增强约束，联合检查轨迹约束违反率和解码误差。已有 EEG 相关工作尚未检索确认。
阅读价值：值得阅读其冻结原有规划器、以学习到的距离场在去噪过程中注入安全约束的机制，并核对理想化终端安全条件与 Bench2Drive 实验之间的适用边界。