| PPR-2412.01718 | HUGSIM: A Real-Time, Photo-Realistic and Closed-Loop Simulator for Autonomous Driving基于 3D 高斯泼溅的闭环照片级实时仿真器：把动态场景建成含外观/语义/流/深度的多模 3DGS（单轮车轨迹正则 + 多平面地面模型 + 非原生车辆），用 LQR 闭环控制、IDM 与攻击代价轨迹搜索生成正常/攻击型交通；跨 KITTI-360/Waymo/nuScenes/PandaSet 70+ 场景 400+ 难度分级场景，提出 HD-Score（NC/DAC/TTC/COM/路线完成）。 | Paper extracted n/a |
| PPR-2603.24581 | Latent-WAM: Latent World Action Modeling for End-to-End Autonomous Driving面向数据与算力受限的潜在世界模型规划器：空间感知压缩世界编码器（SCWE）从几何基础模型蒸馏知识并用可学习 query 压成紧凑场景 token；动态潜世界模型（DLWM）用因果 Transformer 以历史视觉与运动表示为条件自回归预测未来世界状态；NAVSIM v2 EPDMS 89.3、HUGSIM HD-Score 28.9，104M 参数。 | Paper extracted n/a |
| PPR-2605.15120 | CLOVER: Closed-Loop Value Estimation and Ranking for End-to-End Autonomous Driving Planning生成器-打分器框架：生成器产出多模候选，轨迹级打分器预测规划指标子分数用于推理时排序；用评估器过滤的伪专家轨迹 + 集合级覆盖监督扩候选支撑，再做保守闭环自蒸馏（打分器拟合真实评估器子分数、生成器向教师挑选的 top-k 与向量 Pareto 目标精化）；NAVSIM 94.5 PDMS / 90.4 EPDMS，NavHard 48.3 EPDMS。 | Paper extracted n/a |
| PPR-2512.07745 | DiffusionDriveV2: Reinforcement Learning-Constrained Truncated Diffusion Modeling in End-to-End Autonomous Driving用强化学习约束与探索截断扩散：尺度自适应乘性噪声拓宽探索；锚内 GRPO 在单一锚内做组优势估计、锚间截断 GRPO 提供跨锚全局视角，避免不同驾驶意图（左转 vs 直行）间不当优势比较导致的进一步模式坍缩；NAVSIM v1 PDMS 91.2、v2 EPDMS 85.5（ResNet-34）。 | Paper extracted n/a |
| PPR-2411.15139 | DiffusionDrive: Truncated Diffusion Model for End-to-End Autonomous Driving截断扩散策略：以多模先验锚点把高斯噪声分成锚定高斯混合先验，截断扩散调度使去噪步数从 20 降到 2，同时缓解模式坍缩；级联扩散解码器经稀疏可变形注意力交互 BEV/PV 与结构化 query；NAVSIM navtest 88.1 PDMS（ResNet-34 对齐），4090 上 45 FPS。 | Paper extracted n/a |
| PPR-2608.19085 | DA-WAM: Decision-Aligned Future Latents for Driving World Models决策对齐的世界动作模型：V-JEPA 2.1 在线编码器（LoRA 适配 + EMA 目标）在规划器优化期间持续受预测监督，动作条件预测器为每条候选轨迹生成各自未来潜状态，未来潜条件因子化打分器按各自后果评分；专家匹配密集监督 + 安全关键难负例；NAVSIM v1 PDMS 93.7、v2 EPDMS 87.7。 | Paper extracted n/a |
| PPR-2510.04333 | RAP: 3D Rasterization Augmented End-to-End PlanningRAP：主张端到端规划训练不缺照片真实感、缺语义保真与可扩展性——用 3D 光栅化（对标注图元做轻量光栅化）替代昂贵的神经渲染/游戏引擎，生成反事实视角与轨迹等增广数据，为模仿策略补充部署后缺失的恢复数据，缓解小错误累积。 | Paper extracted n/a |
| PPR-2605.12964 | Asymmetric Flow ModelsAsymFlow：秩非对称流目标参数化——数据项全维、噪声项限缩到 rank-r 的 patch 级低秩子空间，全秩速度解析恢复，训练与采样不变；r=0/r=D 退化为 x0-prediction 与 u-prediction，r=8 加 REPA 后 ImageNet FID 1.57；并把预训练潜空间流模型精确提升为像素流模型，微调 FLUX.2 klein 9B 得像素 T2I 模型。 | Paper extracted n/a |
| PPR-2510.11690 | Diffusion Transformers with Representation AutoencodersRAE（Representation Autoencoder）：用冻结的预训练表征编码器（DINOv2/SigLIP/MAE）配一个训练出的 ViT 解码器替换 VAE 作为扩散潜空间；针对高维潜空间上 DiT 训练困难，给出按 token 维度缩放宽度、维度相关噪声调度平移、噪声增强解码三策并配宽 DDT 头；ImageNet 256 无引导 FID 1.51、有引导 1.13。 | Paper extracted n/a |
| PPR-2606.29150 | Flow Reasoning Models: Turning Flows Into Efficient Recurrent ReasonersFlow Reasoning Models（FRM）：把离散结构化输出上的连续流自条件于自身过往预测，把一次性去噪变成迭代解细化；针对递归下的曝光偏差提出 Fixed-Point Forcing（FPF），用模型自身推断动力学的状态训练；三基准求解率 99.5%/100.0%/99.9%，Sudoku-Extreme 上以 44× 更少 FLOPs 匹配次优 98.7%。 | Paper extracted n/a |
| PPR-006 | Learning Structured Output Representation using Deep Conditional Generative Modelsc-VAE 原论文（Sohn, Lee & Yan, NIPS 2015）：提出条件变分自编码器（CVAE）——输入观测调制高斯隐变量先验的条件有向图模型，用识别/条件先验/生成三个网络在 SGVB 框架下最大化条件对数似然下界，天然支持一对多结构化输出与多样性预测；另提出其特例 GSNN 与混合目标，以及输入噪声注入与多尺度预测两种训练策略。 | Paper extracted n/a |
| PPR-2211.01095 | DPM-Solver++: Fast Solver for Guided Sampling of Diffusion Probabilistic Models面向引导采样的 DPM-Solver 变体：改用数据预测模型 x_θ 解扩散 ODE，配合阈值化抑制大引导尺度的训练-测试不匹配、并用多步形式缩小有效步长；论文实测此前高阶求解器在引导尺度 8.0 下 15 次求值质量不如一阶 DDIM，本方法在 15–20 步给出高质量引导样本。 | Paper extracted n/a |
| PPR-2607.02375 | Representation Distribution Matching for One-Step Visual GenerationRDM/iRDM：本文为“冻结预训练编码器下匹配生成与真实特征分布来训练一步图像生成器”这一既有范式命名（先前实例如 drifting field、Fréchet-distance loss）；两条设计轴得出 MMD 估计对了即强、batch 需 >2048、单一编码器可被 game 故用编码器组合与 SWmetric 评估；ImageNet 一步 SWmetric 1.30。 | Paper extracted n/a |
| PPR-2602.04770 | Generative Modeling via DriftingDrifting：把生成建模表述为学习映射 f 使其 pushforward 分布匹配数据分布，并在训练期演化 pushforward 分布、因而天然支持一步推理；引入 drifting field 支配样本移动、在分布匹配时达平衡；一步生成在 ImageNet 256×256 得 FID 1.54（latent）/1.61（pixel）。 | Paper extracted n/a |
| PPR-2604.28190 | Representation Fréchet Loss for Visual GenerationFD-loss：证明 Fréchet 距离可有效作为表征空间的训练目标——把 FD 估计的样本量（如 50k）与梯度计算的样本量（如 1024）解耦；用 FD-loss 后训练基础生成器可一致提升视觉质量，且能把多步生成器改造为一步生成器（无需教师蒸馏/对抗训练/逐样本目标），并揭示 FID 会错排视觉质量、据此提出多表征度量。 | Paper extracted n/a |
| PPR-2605.11755 | One-Step Generative Modeling via Wasserstein Gradient FlowsW-Flow：把一步生成拆成两步——先用 Wasserstein 梯度流（能量泛函最小化）定义从参考分布到目标分布的演化，再训练静态神经生成器把该演化压缩成一步；能量泛函用 Sinkhorn 散度实例化，得高效最优传输更新、改善覆盖；一步 ImageNet 256×256 达 1.29 FID，比同 FID 的多步扩散快约 100×。 | Paper extracted n/a |
| PPR-2105.05233 | Diffusion Models Beat GANs on Image Synthesis扩散超越 GAN 的系统改进（Dhariwal & Nichol 2021）：架构消融（U-Net 改进 + attention）+ **classifier guidance**——用分类器梯度对采样做条件化，以 25 步前向得 FID 2.97（ImageNet 128）；是 G2DP 能量重加权引导（AX-1）的机制源头。 | Paper extracted n/a |
| PPR-2206.00927 | DPM-Solver: A Fast ODE Solver for Diffusion Probabilistic Model Sampling in Around 10 Steps扩散 ODE 的免训练专用高阶求解器：利用半线性结构解析积出线性项、换元到对数信噪比 λ，得精确解为网络的指数加权积分，泰勒展开得 1/2/3 阶求解器；一阶更新与 DDIM 完全相同，CIFAR-10 上 10 次 NFE 达 FID 4.70。 | Paper extracted n/a |
| PPR-004 | An Introduction to Trajectory Optimization: How to Do Your Own Direct Collocation直接配点法轨迹优化教程（Kelly, SIAM Review 2017）：把连续时间最优控制离散成非线性规划、用配点（梯形/Hermite–Simpson）施加动力学约束；从一维玩具问题讲到双足行走最优步态，附 Matlab 代码库（含直接多重打靶与全局正交配点）。 | Paper extracted n/a |
| PPR-2301.11902 | Tree-structured Policy Planning with Learned Behavior ModelsTPP（Tree Policy Planning）：把连续优化降为可处理离散 MDP 的策略规划器——构造 ego 轨迹树与 scenario 树（多模态 ego-conditioned 预测），用动态规划求最优策略；兼容深度学习预测模型、生成多阶段计划、考虑自车对他者行为的影响；nuScenes 闭环验证显著优于非策略基线。 | Paper extracted n/a |
| PPR-2406.05309 | CoBL-Diffusion: Diffusion-Based Conditional Robot Planning in Dynamic Environments Using Control Barrier and Lyapunov FunctionsCoBL-Diffusion：动态多智能体环境下的扩散安全规划器——用控制障碍函数（CBF）与 Lyapunov 函数引导扩散去噪过程，迭代精修控制序列以满足安全与稳定性约束；合成单智能体与真实行人数据集上生成平滑轨迹、低碰撞率。 | Paper extracted n/a |
| PPR-2504.08661 | SafeFlow: Safe Robot Motion Planning with Flow Matching via Control Barrier FunctionsSafeFlow：把 flow matching 与安全保证结合的运动规划框架——用提出的 flow matching barrier functions（FMBF）保证整条规划时域内轨迹留在安全区，测试时可免训练、实时施加安全约束；在平面机器人导航与 7-DoF 操作上验证。 | Paper extracted n/a |
| PPR-2504.10003 | NaviDiffusor: Cost-Guided Diffusion Model for Visual NavigationRGB-only 视觉导航的代价引导扩散模型：在『路径—RGB 观测』对上训练条件扩散，推理时把可微的场景级与任务级代价梯度注入扩散采样，引导生成满足约束的路径；免重训、可零样本迁移，室内外与仿真/真机均验证。 | Paper extracted n/a |
| PPR-2510.12733 | HYPE: Hybrid Planning with Ego Proposal-Conditioned Predictions混合规划器 HYPE：把学习到的多模态轨迹提议作为启发式先验注入蒙特卡洛树搜索（MCTS）精修，并用 ego-conditioned 占据预测建模双向交互，从而把精修阶段的代价函数设计简化到只需极简栅格代价项；nuPlan 与 DeepUrban 上达到 SOTA，尤其安全与适应性。 | Paper extracted n/a |
| PPR-2205.09991 | Planning with Diffusion for Flexible Behavior SynthesisDiffuser（Janner et al., ICML 2022）：把规划重述为轨迹级扩散采样——二维数组表示非自回归联合预测全部时步，分类器引导等价于 RL 奖励采样、inpainting 等价于目标/约束满足；学习长程规划、时间/任务组合性、变长轨迹；G2DP 谱系近亲。 | Paper extracted n/a |
| 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 |
| 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 |
| PPR-2506.04218 | Pseudo-Simulation for Autonomous Driving（NAVSIM v2）NAVSIM v2（Cao et al., CoRL 2025）：pseudo-simulation——真实观测 + 3DGS 预生成合成观测两阶段评估；EPDMS 门控新增 TLC/DDC、加权新增 LK/HC/EC；stage 2 按合成起点与 stage 1 终点邻近度加权。 | Paper extracted n/a |
| PPR-2504.17371 | Highly Accurate and Diverse Traffic Data: The DeepScenario Open 3D DatasetDeepScenario Open 3D Dataset（Dhaouadi et al., IV 2025）：无人机高空采集的城市交通 3D 轨迹数据（密集/长尾真实分布）；G2DP 转成 nuPlan 格式取 411 个可行场景做零样本 NR 评测（CLM-027/EVI-027）。 | Paper extracted n/a |
| PPR-2404.07569 | Can Vehicle Motion Planning Generalize to Realistic Long-tail Scenarios?（interPlan）interPlan（Hallgarten et al., IROS 2024）：以 nuPlan 场景为底座增补 agent/障碍/替代导航目标构造 realistic long-tail 评测——证明常见场景上的高分不蕴含长尾泛化；G2DP 零样本泛化主张（CLM-026）的评测集。 | Paper extracted n/a |
| PPR-2103.00020 | Learning Transferable Visual Models From Natural Language SupervisionCLIP：WIT 4 亿图文对上对称 InfoNCE 双塔对比预训练；零样本分类=text 编码器按类名生成线性分类器权重；零样本 ImageNet 76.2%、prompt 工程+ensemble≈+5%、自然分布偏移下 effective robustness 大幅提升；细粒度/计数/真 OOD 弱。 | Paper extracted n/a |
| PPR-2211.15654 | OpenScene: 3D Scene Understanding with Open VocabulariesOpenScene：零样本开放词表 3D 场景理解——CLIP 共嵌入空间中，2D 开放词表分割特征经多视图投影融合（f2D）后以余弦损失蒸馏进 3D 稀疏卷积网络（f3D），按 prompt 相似度 max 做 2D-3D ensemble；长尾类零样本超越全监督（MP3D K=80/160），同模型跨数据集零重训迁移。 | Paper extracted n/a |
| PPR-2406.15349 | NAVSIM: Data-Driven Non-Reactive Autonomous Vehicle Simulation and BenchmarkingNAVSIM：非反应式仿真评测基准——agent 首帧输出 4s 固定轨迹、LQR+运动学自行车 10Hz 推进，以 PDMS 打分；navtest 过滤后恒速基线 79%→22%。 | Paper extracted n/a |
| PPR-002 | Congested traffic states in empirical observations and microscopic simulations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。 | Paper extracted n/a |
| PPR-1503.03585 | Deep Unsupervised Learning using Nonequilibrium Thermodynamics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。 | Paper extracted n/a |
| PPR-1709.07871 | FiLM: Visual Reasoning with a General Conditioning LayerFiLM 原始论文（Perez et al., AAAI 2018）：提出 feature-wise affine 调制（γ/β 由条件回归、逐特征仿射）——DiT adaLN（CPT-007）回归 γ/β 思想的直接来源。 | Paper extracted n/a |
| PPR-1807.00412 | Learning to Drive in a Day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。 | Paper extracted n/a |
| PPR-1807.08048 | Baidu Apollo EM Motion Planner百度 Apollo EM Motion Planner（工业量产运动规划模块）；G2DP 的工业规划参照。 | Paper extracted n/a |
| PPR-1812.03079 | ChauffeurNet: Learning to Drive by Imitating the Best and Synthesizing the Worst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。 | Paper extracted n/a |
| PPR-2006.11239 | Denoising Diffusion Probabilistic Models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。 | Paper extracted n/a |
| PPR-2106.11810 | nuPlan: A closed-loop ML-based planning benchmark for autonomous vehicles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。 | Paper extracted n/a |
| PPR-2207.12598 | Classifier-Free Diffusion GuidanceClassifier-Free Guidance 提出作（Ho, arXiv 2022）；条件扩散的标准引导做法。 | Paper extracted n/a |
| PPR-2601.04453 | UniDrive-WM: Unified Understanding, Planning and Generation World Model For Autonomous Driving自动驾驶统一理解-规划-生成世界模型 UniDrive-WM（Xiong et al.）。 | Paper extracted n/a |
| PPR-2603.08199 | Fusion-Poly: A Polyhedral Framework Based on Spatial-Temporal Fusion for 3D Multi-Object Tracking基于时空融合的多面体 3D 多目标跟踪（Wu et al.）。 | Paper extracted n/a |