扩散式驾驶规划器能够捕获多样化行为，但在分布漂移时可能产生不安全轨迹。为此我们提出 BridgeGuard，一种安全约束的扩散规划方法。该方法在去噪过程逐步加强约束项，引导中间轨迹进入场景相关的安全域。约束在低维曲线空间中执行，保持几何一致性。
我们设计了 DistanceFieldNet，输入鸟瞰视图特征，输出随时间变化的距离场。通过在专家轨迹之外采样查询点并提供值与空间梯度监督，网络学习到安全与不安全区域的分布。学习得到的距离场在安全注入阶段提供约束项，而预训练的感知骨干网和规划器保持冻结。
此外，我们在理想化的连续时间桥上推导了终端安全的充分条件。实验在 Bench2Drive 上验证了跨模型的泛化能力：对 BridgeDrive，安全得分/成功率从 87.99%/74.99% 提升至 90.88%/76.36%；对 $\text{DiffusionDrive}^{\text{geo}}$，从 80.79%/58.18% 提升至 90.46%/74.09%。
点评：BridgeGuard 通过在去噪阶段注入场景感知的安全约束，实现了安全性与多样性的平衡，展示了在实际自动驾驶评测中显著的性能提升。