Research KB 登录
PPR-2503.11650 Centaur: Robust End-to-End Autonomous Driving with Test-Time Training以测试时训练提升规划鲁棒性：提出 Cluster Entropy 这一可解释的不确定性度量，在部署时通过最小化规划决策的不确定性更新规划器行为，不依赖人工规则或代价函数，避免回退层/代价函数法带来的过度保守。 Paper extracted n/a
PPR-2504.19580 ARTEMIS: Autoregressive End-to-End Trajectory Planning With Mixture of Experts for Autonomous Driving自回归式轨迹规划 + 专家混合（MoE）：逐点顺序生成轨迹 waypoint 以保留时间依赖，并按场景把 query 动态路由到专门专家网络；配轻量批重分配策略加速 MoE 训练；NAVSIM 报告 86.9 PDMS / 83.1 EPDMS。 Paper extracted n/a
PPR-2505.15111 iPad: Iterative Proposal-Centric End-to-End Autonomous Driving以候选（proposal）为中心：ProFormer 对候选及其关联特征做候选锚定注意力的迭代精化，把未来计划置于特征提取与辅助任务中心，替代直接由稠密 BEV 网格特征生成计划，改善效率与交通规则合规。 Paper extracted n/a
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』。 Formalization
PPR-2603.29163 SparseDriveV2: Scoring is All You Need for End-to-End Autonomous Driving对 Hydra-MDP 的系统缩放研究：轨迹锚越稠密性能持续提升、在算力约束前未见饱和，据此主张动态候选生成并非必要——只要静态词表足够稠密，打分即足以取得领先 NAVSIM 表现；报告 v1 92.0 PDMS。 Paper extracted n/a
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』。 Formalization
PPR-2405.19620 SparseDrive: End-to-End Autonomous Driving via Sparse Scene Representation以全稀疏场景表示替代稠密 BEV：对称稀疏感知模块统一检测/跟踪/在线建图，并配并行运动规划器；针对端到端规划的性能与效率瓶颈（稠密 BEV 计算昂贵、预测与规划设计直白）重审任务设计，报告规划安全与效率改善。 Paper extracted n/a
PPR-2503.05689 GoalFlow: Goal-Driven Flow Matching for Multimodal Trajectories Generation in End-to-End Autonomous Driving用流匹配生成多模轨迹：以一个从场景信息选出的目标点约束生成过程，缓解扩散式轨迹生成的轨迹发散与引导-场景不一致；用高效生成方法替代多步扩散，论文报告 NAVSIM 上高 PDMS 与更好的多模质量。 Paper extracted n/a
PPR-2503.12820 Hydra-MDP++: Advancing End-to-End Driving via Expert-Guided Hydra-DistillationHydra-MDP 的扩展：教师指标加入红绿灯合规（TL）、车道保持（LK）与扩展舒适（EC）以覆盖旧教师遗漏的不安全行为；轻量 ResNet-34 与放大 V2-99 编码器两档，V2-99 下报告 NAVSIM 91.0 PDMS。 Paper extracted n/a
PPR-2506.06659 DriveSuprim: Towards Precise Trajectory Selection for End-to-End Planning选择式规划的精化：用由粗到细的渐进候选过滤、旋转增广提升分布外鲁棒性、自蒸馏稳定训练，解决从大量候选中精确选出最优、区分细微但安全关键差异的优化难题；报告 NAVSIM v1 93.5 PDMS、v2 87.1 EPDMS。 Paper extracted n/a