DiffuSearch：混合轨迹规划如何受益于扩散空间与动作空间中的目标对齐

基于摘要分析。该研究面向自动驾驶混合轨迹规划，针对生成与细化模块各自优化不同目标、可能导致轨迹不一致的问题，提出 DiffuSearch：让扩散生成与动作空间搜索共享驾驶目标，以协调初始方案与后续细化。 方法采用两阶段架构。首先，引导式扩散模型生成与场景一致的联合轨迹预测，将避碰、可行驶区域合规、舒适性与行驶进展作为可微引导函数，隐式引导去噪过程。随后，Monte Carlo Tree Search（MCTS）在离散动作空间中对候选方案进行显式局部细化，并将同一组驾驶目标用于奖励函数。核心机制不是单纯串联生成与搜索，而是在两种优化过程中保持目标一致。 作者报告，在 nuPlan 与 interPlan 的反应式闭环基准上，DiffuSearch 表现较强，部分情形达到其所称的最先进水平，并减少碰撞、改善舒适性，尤其适用于复杂交互场景。摘要未提供具体数值、对照方法及评估配置，因而不能量化增益或判断不同设置间的可比性。作者报告的消融表明，MCTS 细化是收益的主要来源，隐式引导与显式搜索共享目标则带来进一步的一致改善。 需结合全文核对目标函数的具体形式与权重、扩散引导和搜索预算、运行时开销、基线配置及统计信息；这些内容尚未验证。该工作的主要对象是自动驾驶轨迹规划，并非神经信号解码。摘要未提供与 EEG/BCI 数据结构或任务约束的具体对应关系，因此不据此提出迁移效果或复现实验建议；已有 EEG 相关工作尚未检索确认。