搜索 · Research KB

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。 · [body] 对拥堵交通状态的实证观测与微观仿真（treiber, hennecke & helbing, phys. rev. e 2000）：系统刻画不同交通相并建立微观动力学 [body]

Source extracted n/a

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。 · [body] 以非平衡热力学解释深度无监督学习（sohl-dickstein et al., icml 2015）：把训练刻画为自由能下降的渐进去噪，沟通统计物理与学习动力学。 * [body]

Source extracted n/a

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。 · [body] 经典语义分割网络（ronneberger et al., miccai 2015）：对称编解码 + 跳跃连接的全卷积结构，以极少参数在医学影像上达到高分辨率分割精度。 [body]

Source extracted n/a

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。 · [body] day-long 端到端驾驶学习（kendall, hawke, janz et al., icra 2019）：在真实城市道路上采集少量驾驶视频，数小时内训练出可泛 [body]

Source extracted n/a

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。 · [body] 百度 apollo 的运动规划器（em motion planner）：工业界量产自动驾驶系统中采用的规划模块。 **与 g2dp 的关系（src-2606.2601 [body]

Source extracted n/a

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。 · [body] 以模仿学习训练驾驶策略（bansal, krizhevsky & ogale, rss 2019）：只模仿表现最好的人类示范，并合成最差失败情形扩充训练数据。 **与 [body]

Source extracted n/a

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。 · [body] 去噪扩散概率模型的奠基之作（ho, jain & abbeel, neurips 2020）：把图像合成刻画为逐步加噪／去噪的扩散过程，奠定其后各类扩散应用的概率基础 [body]

Source extracted n/a

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。 · [body] 对扩散采样与生成质量的系统改进（dhariwal & nichol, neurips 2021）：引入改进采样器与架构调整，使扩散在图像合成上超越 gan。 **与 [body]

Source extracted n/a

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。 · [body] 面向自动驾驶的闭环机器学习规划基准（caesar et al.）：提供大规模真实城市数据集与标准化的非反应／反应两档评测协议。 **与 g2dp 的关系（src-26 [body]

Source extracted n/a

SRC-2205.09991

扩散规划方法（Janner et al., ICML 2022）；G2DP 的『扩散+引导』谱系近亲。 · [body] 以扩散模型做灵活行为合成的规划方法（janner, du, tenenbaum & levine, icml 2022）：把轨迹规划表述为扩散采样过程，并通过条件引导 [body]

Source extracted n/a

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。 · [body] 面向扩散采样的高效 ode 求解器（lu et al., neurips 2022）：dpm-solver 把所需采样步数压到约 10 步以内，显著加速推理。 **与 [body]

Source extracted n/a

SRC-2207.12598

Classifier-Free Guidance 提出作（Ho, arXiv 2022）；条件扩散的标准引导做法。 · [body] 提出 classifier-free guidance（ho, arxiv 2022）：统一并简化各类条件生成场景下的引导公式，使之成为扩散条件控制的标准做法。 ** [body]

Source extracted n/a

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。 · [body] 对基于学习的车辆运动规划进行批判性分析（dauner et al., corl 2023）：梳理并澄清该领域中若干常见误解与评估偏倚。 **与 g2dp 的关系（sr [body]

Source extracted n/a

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。 · [body] 面向自动驾驶的统一理解—规划—生成世界模型（xiong et al.）：在同一框架内同时处理场景理解、运动规划与视频生成。 **与 g2dp 的关系（src-2606 [body]

Source extracted n/a

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。 · [body] 基于时空融合的多面体框架用于 3d 多目标跟踪（wu et al.）：以凸多面体表达位置不确定性。 **与 g2dp 的关系（src-2606.26017）**：本工 [body]

Source extracted n/a

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。 · [body] 把视频动作模型当作零样本驱动器（liu et al.）：以视频动作表征直接驱动规划，无需额外适配即可跨任务部署。 **与 g2dp 的关系（src-2606.2601 [body]

Source extracted n/a

SRC-2606.26017

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。 · [body] 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 [body]

Source extracted n/a

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。 · [body] 程序化驾驶仿真支撑的大规模零演示自播放（wu et al.）：用过程式场景生成扩充自播放数据，降低对真实示教的依赖。 **与 g2dp 的关系（src-2606.26 [body]

Source extracted n/a