自动驾驶规划不再只留一条轨迹：八类机动假设一次生成，NAVSIM上PDMS到90.58

规划器现在把候选轨迹按可解释的运动机动分类保留，而不是让一组查询在轨迹空间里自由聚拢。 此前的学习式查询缺少显式模式结构，容易集中在轨迹空间的相似区域，产生冗余候选并有模式坍缩风险；固定锚点则可能把候选预算分给与当前场景关系不大的模式。 在完整流程中，按机动对齐的M-GMP-8先验比KMeans-8对照高0.54 PDMS和0.83 EP，说明按机动组织先验本身带来增益。

每条候选轨迹的打分不再只看当前帧，而是沿这条路径去查询预测的未来场景状态。 此前的仅用当前信息的打分器不会沿候选路径显式查询预测的未来场景状态；WoTE虽然提供这类证据，但要对每条候选轨迹各做一次未来BEV预测。 在固定候选预算下，加入预测未来证据使PDMS提高1.58、EP提高2.29；在ECFR之后，完整模型相对去掉未来分支的版本仍高0.55 PDMS和0.86 EP。

被选中的候选轨迹会在路径对齐的Frenet坐标系里做局部修正，再与未修正的候选一起重新打分。 此前候选评估与轨迹修正分别推进，未修正的备选与修正后的轨迹很少在同一个未来条件评估器下直接比较。 ECFR在已有未来证据的流程上再增加0.65 PDMS和0.95 EP，代价是NC下降0.10个点，且对仅用当前信息的版本也有提升。

这套流程在NAVSIM v1/v2 navtest上以ResNet-34骨干取得90.58 PDMS与90.14 EPDMS，并在WorldEngine全部288个公开高风险场景上以纯相机LTF变体取得75.19和74.58 PDMS∗，分别对应日志回放与IDM控制交通两种设置。适合关注端到端规划候选生成与选择的读者，尤其是需要在固定候选预算下组织多模态假设的工程团队。

机动被定义为轨迹空间中的运动分量，由位移、平均航向和速度趋势规则划分，并非独立的地图语义标注。前三路由仍可能漏掉罕见或组合行为，候选无关的未来场也不建模其他车辆对备选自车计划的交互反应。NAVSIM v2沿用v1训练的检查点与选择器，WorldEngine场景由navtest日志重建，两者检验的是固定选择器迁移与闭环重规划，而非独立域或真实车辆泛化。