SRC-2606.26017
Source
G2DP：时空占据栅格+路线进度融合为可微 cost volume，去噪末段注入引导，nuPlan 纯模仿 SOTA；本引用簇中心。
| id | SRC-2606.26017 |
|---|---|
| type | source |
| kind | paper |
| title | G2DP: Diffusion Planning with Spatio-Temporal Grid Guidance |
| authors | Hang Yu, Ye Jin, Alessandro Canevaro, Julian Schmidt, Julian Jordan, Peizheng Li, Marc Kaufeld, Silvan Lindner, Johannes Betz, Wilhelm Stork |
| venue | arXiv 2026 (IROS 2026) |
| arxiv | 2606.26017 |
| tier | 0 |
| lifecycle | EXTRACTED |
| epistemic | n/a |
| ingested | 2026-09-03 |
| version | arXiv:2606.26017 |
| source-hash | sha256:0000000000000000000000000000000000000000000000000000000000000000 |
| source-role | g2dp-citation-neighbor |
| g2dp-anchor | SRC-2606.26017 |
| g2dp-relation | G2DP_HUB | 本引用簇的中心节点；其余邻居卡片均经 g2dp-anchor 指向本卡。 |
| citation-count-s2 | 4 |
G2DP（Grid-Guided Diffusion Planning）——奔驰 / KIT / TUM / 图宾根联合提出：将 BEV 未来占据概率栅格与导航路线进度图融合为可微的时空 cost volume，在去噪末段把稠密能量梯度注入 DPM-Solver 采样循环，不重训即可插拔；nuPlan 纯模仿类 SOTA，零样本迁移 interPlan / DeepScenario 仍居最高分。
与 G2DP 的关系（SRC-2606.26017）：本引用簇的中心节点；其余邻居卡片均经 g2dp-anchor 指向本卡。
轻量 ingest（未拉全文，故 version 未锚定具体 vN、source-hash 为 64 位零占位）；如需完整 Tier-1 走 read-arxiv-paper。引用图概览（S2, 2026-09-03）：被引 4（citing G2DP：UniDrive-WM / DriveVA / TerraZero / Fusion-Poly）；引用 50（G2DP cited，其中 DiT 已收录为 SRC-2212.09748）。
引用（1）
- SRC-2212.09748 DiT 原始论文（Peebles & Xie, ICCV 2023）：ViT 替换 LDM U-Net backbone，Gflops 视角的 scaling 研究。
被引用（18）
- SRC-002 拥堵交通态的实证观测与微观仿真（Treiber et al., PRE 2000）；G2DP 引用的交通流学科根源。
- SRC-1503.03585 以非平衡热力学解释深度无监督学习（Sohl-Dickstein et al., ICML 2015）；扩散的概率奠基。
- SRC-1505.04597 U-Net 语义分割网络（Ronneberger et al., MICCAI 2015）；G2DP 占据预测网络的 backbone。
- SRC-1807.00412 一天内学会驾驶的端到端学习（Kendall et al., ICRA 2019）；真实城市道路少样本驾驶策略。
- SRC-1807.08048 百度 Apollo EM Motion Planner（工业量产运动规划模块）；G2DP 的工业规划参照。
- SRC-1812.03079 以模仿学习训练驾驶策略（Bansal et al., RSS 2019）：学最佳示范、合成最坏失败。
- SRC-2006.11239 去噪扩散概率模型（DDPM）奠基作（Ho et al., NeurIPS 2020）；扩散生成的马尔可夫链框架。
- SRC-2105.05233 扩散超越 GAN 的系统改进（Dhariwal & Nichol, NeurIPS 2021）；改进采样器与架构。
- SRC-2106.11810 自动驾驶闭环机器学习规划基准 nuPlan（Caesar et al.）；G2DP 的主评测基准。
- SRC-2205.09991 扩散规划方法（Janner et al., ICML 2022）；G2DP 的『扩散+引导』谱系近亲。
- SRC-2206.00927 DPM-Solver（Lu et al., NeurIPS 2022）：约 10 步内求解扩散 ODE 加速采样；G2DP 的 ODE 采样器。
- SRC-2207.12598 Classifier-Free Guidance 提出作（Ho, arXiv 2022）；条件扩散的标准引导做法。
- SRC-2212.09748 DiT 原始论文（Peebles & Xie, ICCV 2023）：ViT 替换 LDM U-Net backbone，Gflops 视角的 scaling 研究。
- SRC-2306.07962 对基于学习的车辆运动规划的批判性分析（Dauner et al., CoRL 2023）；澄清方法学误区。
- SRC-2601.04453 自动驾驶统一理解-规划-生成世界模型 UniDrive-WM（Xiong et al.）；引用 G2DP 为相关工作。
- SRC-2603.08199 基于时空融合的多面体 3D 多目标跟踪（Wu et al.）；引用 G2DP 作参照。
- SRC-2604.04198 视频动作模型作零样本驱动器（Liu et al.）；引用 G2DP 为扩散+稠密引导的规划思路。
- SRC-2607.13028 程序化驾驶仿真支撑大规模零演示自播放（Wu et al.）；引用 G2DP 作对照。