Research KB 登录
PPR-005 Synthesis and Stabilization of Complex Behaviors through Online Trajectory Optimization在线轨迹优化（即 MPC）方法与软件平台（Tassa, Erez & Todorov, IROS 2012）：用 iLQG（DDP 变体，Gauss-Newton 近似）配改进的正则化与线搜索，让复杂人形机器人从任意倒地姿态起身、从大扰动中恢复；行为计算约为实时的 7 倍耗时，acrobot/平面游泳/单腿跳跃可实时求解。 Paper extracted n/a
PPR-003 A direct method for trajectory optimization of rigid bodies through contact接触刚体轨迹优化的直接法（Posa, Cantu & Tedrake, IJRR 2014）：把多接触动力学写成线性互补问题、轨迹优化写成带互补约束的数学规划（MPCC），用 SQP 同时解接触力与轨迹，免去预先指定接触模式序列；在手指转动、抓取操作、Spring Flamingo 平面行走、FastRunner 高速双足奔跑四个系统上验证。 Paper extracted n/a
CPT-018 被测规划系统失效、需外部接管控制权的事件计数；源自真人路测的 disengagement 语义。nuPlan 论文引 Lyft L5 经验：闭环仿真中绝大多数 intervention 源于 NR 模式伪交互而非规划器缺陷——该论证是 reactive 模式的动机，未实现为 devkit 打分指标。 Concept
PPR-1505.04597 U-Net: Convolutional Networks for Biomedical Image SegmentationU-Net 语义分割网络（Ronneberger et al., MICCAI 2015）；G2DP 占据预测网络的 backbone。 Paper extracted n/a
PPR-2209.14687 Diffusion Posterior Sampling for General Noisy Inverse ProblemsDPS：扩散后验采样——用模型输出近似后验期望后过测量算子，为一般带噪（非）线性逆问题做免训练引导（无需额外网络）；高斯/Poisson 噪声、相位恢复/非均匀去模糊等非线性问题均适用；是 classifier guidance 谱系到免训练引导的关键一环，Diffusion Planner DPS 引导（CLM-035）的机制来源。 Paper extracted n/a
PPR-2210.17366 Guided Conditional Diffusion for Controllable Traffic SimulationCTG：可控交通仿真的条件扩散模型——用户在测试时控制轨迹属性（达目标、限速、防撞等），STL 可微逻辑引导 + 多智能体扩展 + 动力学强制保证现实与物理可行；nuScenes 上优于基线在可控性-现实权衡。 Paper extracted n/a
PPR-2306.03083 MotionDiffuser: Controllable Multi-Agent Motion Prediction using DiffusionMotionDiffuser：多智能体未来轨迹联合分布的扩散表示——单 L2 损失、无轨迹锚点、置换不变联合建模，PCA 压缩轨迹以得精确 log 概率；不同iable 代价函数的一般化约束采样框架支撑规则/物理先验/仿真场景。 Paper extracted n/a
PPR-2503.02924 Diverse Controllable Diffusion Policy with Signal Temporal LogicpSTL：以信号时序逻辑（STL）引导的扩散策略——真实数据上校准 STL 参数、轨迹优化生成多样合成数据、再训 rectified flow 策略；NuScenes 上多样规则合规轨迹，闭环高多样性/规则满足/低碰撞，运行速度 17× 于次优。 Paper extracted n/a
PPR-2510.11083 Flow Matching-Based Autonomous Driving Planning with Advanced Interactive Behavior ModelingFlow Planner：以 flow matching 做自动驾驶规划的生成式规划器——细粒度轨迹 token 化分解、时序/空间融合捕捉交互行为、flow matching + classifier-free guidance 多模态生成；nuPlan/interPlan 学习式 SOTA，G2DP 表内最强基线（+7.2 对比对象）。 Paper extracted n/a
SYN-003 G2DP 引导谱系四支合成：机制（classifier guidance→CFG→DPS）、扩散规划（Diffuser→MotionDiffuser→Diffusion Planner→FlowPlanner/pSTL/CTG）、安全硬约束（CBF 系）、稠密网格（HYPE/TPP/NaviDiffusor）；G2DP 立四支交点——把『稠密分布性网格』放到『可微+时空+入去噪循环』。 Synthesis