PPR-2312.03031 Paper

关联（15）

• PPR-2404.07762 NeuroNCAP: Photorealistic Closed-loop Safety Testing for Autonomous Driving
• PPR-2406.15349 NAVSIM: Data-Driven Non-Reactive Autonomous Vehicle Simulation and Benchmarking
• BMK-006 NAVSIM non-reactive planning benchmark (v1 PDMS / v2 EPDMS two-stage)
• 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-2310.12432 CAT 五层重建（骨架）：核心对象是以环境增强视角做安全端到端驾驶的闭环对抗训练——用贝叶斯因式化把“场景为安全关键”的联合分布拆成“交通先验 × ego 估计 × 碰撞似然”三项（前提是 ego 反应单向依赖未来交通流），从而把对抗交通生成归结为标准运动预测子问题的乘积，使物理攻击更可行、迭代学习管线算力成本显著更低；公理层含『仅用真实数据集检索的场景不足以训练/评测，因事故易发事件极罕见』。
• 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-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-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-2504.19580 ARTEMIS 五层重建（骨架）：核心对象是把规划建成逐点自回归的条件序列生成——每个 waypoint 由“规划时间嵌入 + 当前 ego 状态 + 历史规划查询”拼成的查询经带共享与私有专家的 MoE 块（配批量重分配加速）与 BEV 特征交互后、从预测的高斯分布采样得到；路由走内生场景特征而非驾驶命令，且刻意不用专家平衡损失；公理层含『命令分布不均衡且偶与专家轨迹不一致』与『只用当前 ego 状态以防因果混淆』。
• 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-2605.19771 BeyondDrive 五层重建（骨架）：核心对象是让模仿学习显式吸收失败——提出“安全不对称”性质（模仿误差几乎相同的两条轨迹安全性可截然不同，一条可恢复、一条致碰撞），故用流匹配的负轨迹生成器合成“安全关键但贴近专家”的硬负样本、以多样性感知采样提高失败模式覆盖，再用排斥距离损失同时吸引预测靠近专家并推离硬负样本，从而在轨迹空间建立可判别的安全边界。
• FRM-2607.29031 Auto-JEPA 五层重建（骨架）：核心对象是“只学影响未来自车动作的场景特征”的动作导向潜世界模型——冻结的 V-JEPA 2 视觉编码器 + 24 层 transformer 预测器把视觉、ego 运动史与导航命令压成 8 个连续潜 token（驾驶意图），训练时与冻结轨迹自编码器给出的真值轨迹潜表示做联合嵌入对齐，推理时以该意图为检索键从非参数轨迹记忆中取 300 条候选、经场景打分器排序与可行驶区门控过滤；公理层含『规划无需重建完整未来世界』与『预测目标与检索候选须同处一个潜空间』。
• CPT-017 PDM Score (PDMS)
• IDX-001 NAVSIM 规划线