DIS-003 Disambiguation

关联（37）

• PPR-004 An Introduction to Trajectory Optimization: How to Do Your Own Direct Collocation
• PPR-2205.15997 TransFuser: Imitation With Transformer-Based Sensor Fusion for Autonomous Driving
• PPR-2303.12077 VAD: Vectorized Scene Representation for Efficient Autonomous Driving
• PPR-2308.01898 UniSim: A Neural Closed-Loop Sensor Simulator
• PPR-2310.12432 CAT: Closed-loop Adversarial Training for Safe End-to-End Driving
• PPR-2402.13243 VADv2: End-to-End Vectorized Autonomous Driving via Probabilistic Planning
• PPR-2502.13144 RAD: Training an End-to-End Driving Policy via Large-Scale 3DGS-based Reinforcement Learning
• PPR-2503.11650 Centaur: Robust End-to-End Autonomous Driving with Test-Time Training
• PPR-2510.04333 RAP: 3D Rasterization Augmented End-to-End Planning
• PPR-2606.26017 G2DP: Diffusion Planning with Spatio-Temporal Grid Guidance
• BMK-003 “nuPlan closed-loop planning benchmark (Val14 / Test14 / Test14-hard)”
• BMK-006 NAVSIM non-reactive planning benchmark (v1 PDMS / v2 EPDMS two-stage)
• FRM-004 Kelly（2017）直接配点轨迹优化教程的五层重建：以“连续问题→多项式样条近似→非线性规划”为主线，规范术语与约束分类（D），列出作者接受的前提（AX），重建从配点构造、插值、误差估计到网格细化与不连续性处理的论证链（AR），并分节记录作者评论与本库评论；Theorems/Evidence 层待 P3 投影回填。
• FRM-2308.01898 UniSim 五层重建（骨架）：核心对象是把单条记录日志转成高保真闭环多传感器仿真的神经传感仿真器——用神经特征网格分别重建静态背景与动态 actors 并合成为新视点下的 LiDAR 与相机数据，支持增删 actor 与改变其摆放，并以动态对象的可学习先验与卷积网络补全外推视图中未见区域；公理层含『准确评估需在闭环中测试』与『闭环须依新场景配置与自车决策改写传感数据』。
• FRM-2311.17918 Drive-WM 五层重建（骨架）：核心对象是首个与既有端到端规划器兼容的多视图驾驶世界模型——以“视图因式化”的联合时空建模在图像扩散模型上挂时序层与多视图层（冻结图像权重、只微调新增层）生成一致的多视图视频，并把它用于规划：规划器从真实多视图图采候选轨迹，按动作条件生成各候选的未来视频，用基于生成视频感知结果的图像奖励（地图奖励 × 物体奖励）选最优轨迹并迭代成树式 rollout。
• FRM-2312.03031 “Is Ego Status All You Need”五层重建（骨架）：这是诊断性而非提出式论文——核心对象是指出 nuScenes 开环端到端规划的三大问题（含 ego 状态的模型被 ego 状态主导、感知信息被闲置；L2 与碰撞率不足以刻画规划质量；开环中其他智能体不响应 ego 使碰撞度量有偏且忽略 yaw），并据此给出极简基线 BEV-Planner（仅 BEV + ego 查询交叉注意 + L1，不用任何感知标注）与基于地图先验的新指标 CCR（路缘碰撞率）。
• FRM-2402.13243 VADv2 五层重建（骨架）：核心对象是把规划建成场景条件概率分布——先以最远点采样把连续动作空间离散成大规模规划词表（默认 4096 条，全部取自驾驶演示因而天然满足运动学约束），再用受 NeRF 启发的概率场函数（傅里叶位置编码 + transformer 解码器）预测每候选概率，以分布损失（KL→交叉熵）、冲突损失与场景 token 损失训练；公理层含『场景—动作无确定关系、解空间非凸时确定式回归有安全风险』与『概率对动作连续且对小扰动不敏感』。
• FRM-2404.07762 NeuroNCAP 五层重建（骨架）：核心对象是以 Euro NCAP 为蓝本的安全关键场景闭环评测——用从真实驾驶传感序列学习的神经（NeRF 式）仿真器重构可配置的新场景，按目标 actor 行为分 stationary/frontal/side 三类，把 ego 与目标 actor 初始化到“若维持当前速度与转向约 4 秒后碰撞”，每场景随机抖动后跑 100 次；结果显示 UniAD/VAD 在开环名义场景表现良好，却在闭环安全关键场景下碰撞率高达 98–99%，暴露规划与辅助输出不一致这一设计缺陷。
• FRM-2405.19620 SparseDrive 五层重建（骨架）：核心对象是把端到端驾驶重建为“对称稀疏感知 + 并行运动规划”——检测/跟踪/在线建图共用对称结构学得全稀疏场景表示，ego 与周围智能体以同一套多模轨迹头并行预测，再经分层规划选择（命令筛子集 + 碰撞感知重打分把碰撞轨迹分数置 0）输出安全轨迹；公理层含『模块化系统的信息损失与误差累积』『昂贵 BEV 特征与直白设计是效率瓶颈』『运动预测与规划高度相似』。
• FRM-2406.06978 Hydra-MDP 五层重建（骨架）：核心对象是三范式对比下的多教师蒸馏——把『多模规划 + 单目标学习 + 不可微后处理』改为『多模规划 + 多目标学习』，在 VADv2 式固定词表上以模仿损失对齐人类、以离线仿真分数经 BCE 蒸馏规则教师，推理期按网格搜索权重组装子分数选轨迹；公理层含『仅模仿不足以关联环境』『不可微后处理基于不完美感知』『固定词表使离线批量仿真可行』。
• FRM-2408.00415 DriveArena 五层重建（骨架）：核心对象是首个面向真实场景驾驶智能体的高保真闭环仿真系统——模块化的 TrafficManager（基于 LimSim 的多车分层决策与规划、协作因子与轨迹权重集，支持 OpenStreetMap 任意城市路网，ego 可开环或闭环受控）与基于扩散的 Dreamer（条件编码含地图/物体布局、文本、相机参数、ego 位姿与参考图，用跨视图注意力保多视图一致、用图像自回归保时序一致并支持无限流式生成）循环耦合，使只处理真实图像的智能体可在其中闭环导航。
• 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）。
• FRM-2412.01718 HUGSIM 五层重建（骨架）：核心对象是基于 3D 高斯泼溅的重建式照片级闭环仿真器——分解式场景表示（地面多平面约束 + 单轮车正则的动态车 + 3DRealCar 非原生车）、LQR 与运动学自行车模型的闭环、IDM 正常与攻击代价搜索的激进 actor，以及 HD-Score（NC/DAC 门控 × TTC/COM 加权，再乘路线完成度 R_c）；公理层含『评估需闭环』『闭环视觉评测需照片级渲染』与『闭环中 EP 不适用』。
• FRM-2503.05689 GoalFlow 五层重建（骨架）：核心对象是目标点引导的 rectified-flow 多模轨迹生成——从训练轨迹端点聚类出 4096/8192 目标点词表，用距离分与可行驶区分双分数选点，再以该点为条件经单步 rectified flow 生成轨迹，并用 shadow trajectory 检测不可靠目标点；公理层含『无约束生成易发散』『目标点构成强约束』与『扩散长路径不适合实时』。
• FRM-2503.07656 DriveTransformer 五层重建（骨架）：核心对象是把端到端驾驶压成三种统一注意力算子的纯 transformer 框架——sensor cross attention 让任务查询直接取原始传感特征（3D 位置编码、不建 BEV）、task self-attention 让 agent/map/ego 查询在每层直接互交（任务并行、无手工顺序）、temporal cross attention 以各任务的 FIFO 查询队列注入历史（流式、含 ego 坐标变换补偿）；公理层含『串行感知-预测-规划导致累积误差与训练不稳』与『手工任务顺序限制协同』。
• FRM-2503.11650 Centaur 五层重建（骨架）：核心对象是以不确定性为目标的测试时训练——把打分式规划器看作词表上的分类器，先按 5 个方向锚（sharp/slight left、forward、slight/right）对采样候选聚类求和归一化，再以该 5 类分布的 Shannon 熵（Cluster Entropy）作无监督目标，在推理前用历史梯度缓冲（F=4）的平均做单步参数更新；公理层含『预编程回退层/代价函数无法随新数据学习而过度保守』与『词表巨大时朴素熵偏向邻居多的轨迹』。
• FRM-2503.12820 Hydra-MDP++ 五层重建（骨架）：核心对象是在固定离散规划词表上的多教师蒸馏——700K 轨迹 K-means 得词表，分类式解码器先模仿日志轨迹，再以离线仿真的 PDM 指标系统为教师做多头蒸馏，教师指标在传统 NAVSIM 项外扩入红绿灯合规（TL）、车道保持（LK）与扩展舒适（EC）；公理层含『模仿不足需与环境关联』与『固定动作空间可离线生成度量真值』。
• FRM-2505.09315 TransDiffuser 五层重建（骨架）：核心对象是在不用任何轨迹锚点或场景先验的前提下解决扩散式规划的模式坍缩——把场景编码器（冻结的 Transfuser 骨干）与动作/ego 状态嵌入作为多模态条件输入去噪解码器，并在去噪过程中加批级多模态表示去相关正则（惩罚表示相关矩阵的非对角项、逼近对角形）；公理层含『既有扩散规划器靠预定义词表或场景先验缓解坍缩，而这些归纳偏置在部署中不可得』与『规划性能取决于多模态表示质量』。
• FRM-2505.15111 iPad 五层重建（骨架）：核心对象是把“候选未来计划”（proposal）置于特征提取与辅助任务的中心——ProFormer 以提案预测位姿为锚做变形自注意力与空间交叉注意力、迭代精化提案查询（跨迭代共享权重，用带折扣的 MoN 损失逐轮监督），替代 BEVFormer 式固定稠密网格；两个轻量提案中心辅助任务（可通行/在途建图、对首个致因与可能碰撞智能体的未来预测）同时供可解释性与不确定性表达。
• FRM-2506.06664 GTRS 五层重建（骨架）：核心对象是统一粗/细粒度轨迹评估的三支柱框架——基于 Diffusion Policy 的动态候选生成器、用超稠密词表（16384）+ 词表 dropout 训练并在较小子集（8192）推理的泛化打分器、以及传感器扰动与仅训练期精化（top-k + EMA 教师软监督、目标裁剪）的增广打分器；公理层含『静态词表粗离散、动态候选覆盖窄』与『超稠密训练/小子集推理可诱导泛化』。
• FRM-2506.13757 AutoVLA 五层重建（骨架）：核心对象是把推理与动作生成统一在单一自回归模型里的驾驶 VLA——把连续轨迹经 K-disk 聚类离散成 2048 个“物理可行”动作 token 直接并入语言词表，用监督微调赋予快思考（仅输出轨迹）与慢思考（CoT 增强）双模式，再以 GRPO 强化微调削掉直白场景中不必要的推理；公理层含『VLA 常见病是物理不可行动作、结构复杂与推理冗长』。
• FRM-2512.07745 DiffusionDriveV2 五层重建（骨架）：核心对象是把去噪链视为 MDP 后用 RL 约束/探索的截断扩散生成器——锚内 GRPO 做组内优势、锚间截断 GRPO 负优势归零且碰撞罚一、尺度自适应乘性探索噪声；公理层含『IL 只监督单一正模式致负模式无约束』与『不同意图的锚不应直接比较优劣』；论证主干是多样性-质量权衡的对照与消融。
• FRM-2605.15120 CLOVER 五层重建（骨架）：核心对象是生成器-打分器框架下的两阶段训练——Stage 1 用评估器过滤的伪专家做集合级覆盖监督，Stage 2 用评估器子分数做保守闭环自蒸馏（打分器拟合真实子分数、生成器向教师 top-k 与向量 Pareto 集合蒸馏加稳定性正则）；含一条作者命题（选中集合富集 → 高质量支撑提升）；公理层含训练-评估错配与『直接最大化学习标量分会利用打分器错误』。
• FRM-2606.26017 G2DP 五层重建：核心对象是 CPT-013 时空代价体（占据概率栅格 × 路线进度图融合）在推理期的可微引导；公理层为能量重加权目标分布、Top-K 车体聚合与末段注入等六个作者前提；论证主干是 Table 4 在同一 DiT 骨干下隔离『稠密网格 vs 稀疏实例』的引导模态消融（稀疏臂按 PPR-2501.15564 附录 C 实现、以 oracle 邻车供给）。
• FRM-2608.19085 DA-WAM 五层重建（骨架）：核心对象是候选特定的动作条件未来潜（每候选一个、不共享）与未来潜条件的因子化打分器；公理层含『世界模型的规划价值受其预测影响候选级打分的直接程度约束』与离线日志只记录专家执行未来；论证主干是同一骨干下的匹配消融（无未来预测／共享全局未来／当前潜／动作条件未来，± 安全关键难负例）隔离预测-行动耦合。
• CPT-021 trajectory optimization
• CPT-026 open-loop vs closed-loop solution