Research KB 登录
FRM-2411.15139 DiffusionDrive 五层重建（骨架）：核心对象是锚定高斯分布上的截断扩散策略（K-Means 锚点 + 只注少量噪声的短程去噪）与级联扩散解码器；公理层含『驾驶行为多模』『人类驾驶遵循固定模式可作先验』『去噪步数是实时瓶颈』；论证主干是 Transfuser→Transfuser_DP→Transfuser_TD→DiffusionDrive 的逐级路线图（质量、多样性、FPS 三者同测）。 Formalization
PPR-2411.15139 DiffusionDrive: Truncated Diffusion Model for End-to-End Autonomous Driving截断扩散策略：以多模先验锚点把高斯噪声分成锚定高斯混合先验，截断扩散调度使去噪步数从 20 降到 2，同时缓解模式坍缩；级联扩散解码器经稀疏可变形注意力交互 BEV/PV 与结构化 query；NAVSIM navtest 88.1 PDMS（ResNet-34 对齐），4090 上 45 FPS。 Paper extracted n/a
PPR-2608.19085 DA-WAM: Decision-Aligned Future Latents for Driving World Models决策对齐的世界动作模型：V-JEPA 2.1 在线编码器（LoRA 适配 + EMA 目标）在规划器优化期间持续受预测监督，动作条件预测器为每条候选轨迹生成各自未来潜状态，未来潜条件因子化打分器按各自后果评分；专家匹配密集监督 + 安全关键难负例；NAVSIM v1 PDMS 93.7、v2 EPDMS 87.7。 Paper extracted n/a
DAT-002 nuPlan v1.1 原生数据分发（nuscenes.org，20Hz .db）nuPlan 论文的官方数据工件（20Hz SQLite .db logs + 原生传感器）：BMK-003 口径 devkit 闭环的唯一数据源——test.zip + maps ≈ 97 GB 即可评测，train 元数据即 ~1 TB。 Dataset extracted n/a
IDX-001 NAVSIM 规划线NAVSIM 规划线索引：按候选构造、打分信号、未来潜与决策、评估口径四轴列出本线已入库对象（六张锚点 + 五十一张引用展开），并标注方法前置；纯导航，不含结构判断。 Index
PPR-2510.04333 RAP: 3D Rasterization Augmented End-to-End PlanningRAP：主张端到端规划训练不缺照片真实感、缺语义保真与可扩展性——用 3D 光栅化（对标注图元做轻量光栅化）替代昂贵的神经渲染/游戏引擎，生成反事实视角与轨迹等增广数据，为模仿策略补充部署后缺失的恢复数据，缓解小错误累积。 Paper extracted n/a
DIS-004 术语 predictive 在本库两类专名中的路由：Predictive Driver Model 规划器族（PPR-2306.07962）及其派生的评分名（CPT-017、BMK-006），与 Predictive World Model 环境未来状态任务（DAT-001）。 Disambiguation
DAT-001 OpenScene — nuPlan 传感器数据的紧凑再分发（OpenDriveLab）nuPlan 数据的紧凑再分发（2Hz 降采样、体积 >10× 缩减、120+ 小时、四城）：trainval 1310 / test 147 / mini 64 logs——BMK-006（NAVSIM）的数据底座。 Dataset extracted n/a
PPR-2306.07962 Parting with Misconceptions about Learning-based Vehicle Motion PlanningParting（Dauner 等, CoRL 2023）：nuPlan 上开环 ego-forecasting 与闭环驾驶负相关——规则系 IDM 胜过全部学习式方法，仅用中心线加 ego 状态的 MLP 拿最高 OLS 86；据此构造提案-仿真-评分式 PDM-Closed（CLS 76-77→92-93）与只在跟踪器不消费远端修正的 PDM-Hybrid，夺 2023 挑战赛第一。 Paper formalized n/a
PPR-2605.12964 Asymmetric Flow ModelsAsymFlow：秩非对称流目标参数化——数据项全维、噪声项限缩到 rank-r 的 patch 级低秩子空间，全秩速度解析恢复，训练与采样不变；r=0/r=D 退化为 x0-prediction 与 u-prediction，r=8 加 REPA 后 ImageNet FID 1.57；并把预训练潜空间流模型精确提升为像素流模型，微调 FLUX.2 klein 9B 得像素 T2I 模型。 Paper extracted n/a