Research KB 登录
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。 Formalization
FRM-2409.00588 DPPO 五层重建（骨架）：核心对象是“用策略梯度微调扩散策略”的算法框架与最佳实践——把去噪过程视为多步 MDP 并嵌入环境 MDP，构成一个更大的“扩散策略 MDP”，使每步策略似然成为可解析求值的 Gaussian 似然，从而可直接套用任意策略梯度方法（并以 PPO 实例化）；论文报告 RL 微调与扩散参数化之间存在协同，带来结构化、on-manifold 的探索、稳定训练与策略鲁棒性。 Formalization
FRM-2510.08562 ResAD 五层重建（骨架）：核心对象是把轨迹预测任务重构为“相对确定性惯性参考的残差预测”——用恒速模型给出物理先验基线，令模型容量集中在交通规则、障碍等情境驱动的偏离上，并以逐点残差归一化（PRNorm）抑制远距不确定 waypoint 的大幅误差主导学习信号；多模性则通过对初始速度施加零均值高斯扰动、经恒速模型传播出 K 条惯性参考簇来获得（同时增强对 GPS/IMU 噪声的鲁棒性）。 Formalization
FRM-2507.04049 DIVER 五层重建（骨架）：核心对象是以强化学习引导扩散生成多模轨迹的框架——策略感知扩散生成器（PADG）以地图元素与周围智能体为条件、由单一真值轨迹与轨迹锚引导生成“多个参考真值”以覆盖不同驾驶风格，再把扩散过程当作随机策略用 GRPO 目标的轨迹级多样性/安全奖励去引导，以破解模仿学习固有的模式坍缩；并针对 L2 类开环指标无法刻画多样性提出多样性度量。 Formalization
FRM-2506.08052 ReCogDrive 五层重建（骨架）：核心对象是把 VLM 的驾驶认知先验与扩散规划器耦合、并以扩散版 GRPO 做安全后训练的三阶段框架——先用“生成/精炼/质控”三级流水线造出模仿人类认知顺序的驾驶 QA 数据训练 VLM，再把其认知 token 注入扩散规划器生成连续稳定轨迹，最后用 DiffGRPO 以 NAVSIM 仿真器的 PDMS 作奖励做强化；公理层含『把规划当语言建模会产出违格式/不可行动作且推理慢』与『多模专家演示下纯模仿会学出平均轨迹』。 Formalization
FRM-2506.24113 Epona 五层重建（骨架）：核心对象是把驾驶世界建模重构为“时间域上的顺序未来预测”的自回归扩散世界模型——既不像视频扩散那样对固定长度帧序列做全局联合分布建模（破坏因果时序），也不像 token 式自回归那样逐 token 预测（弱化空间相关并扭曲高频），而是分离出策略 π（TrajDiT 预测轨迹）与整帧条件分布 p（VisDiT 生成下一帧），由多模态时空 transformer 编码历史，并用 chain-of-forward 训练抑制自回归误差累积；世界模型因此可同时充当实时运动规划器。 Formalization
FRM-2412.18607 DrivingGPT 五层重建（骨架）：核心对象是把驾驶仿真与轨迹规划统一为单一序列建模问题——用 VQ-VAE 把前视图像压成图像 token、把“帧间相对”轨迹分量按分位数裁剪后分箱成动作 token，交错成一种多模态驾驶语言（统一词表大小 D+3M），由自回归 transformer 以标准 next-token 预测同时承载世界建模与端到端策略两个子任务；公理层含『因果式长动作视界会让模型复制历史动作而非基于观测驾驶』与『视频扩散世界模型缺乏纳入动作模态的灵活性』。 Formalization
FRM-2311.17918 Drive-WM 五层重建（骨架）：核心对象是首个与既有端到端规划器兼容的多视图驾驶世界模型——以“视图因式化”的联合时空建模在图像扩散模型上挂时序层与多视图层（冻结图像权重、只微调新增层）生成一致的多视图视频，并把它用于规划：规划器从真实多视图图采候选轨迹，按动作条件生成各候选的未来视频，用基于生成视频感知结果的图像奖励（地图奖励 × 物体奖励）选最优轨迹并迭代成树式 rollout。 Formalization
FRM-2311.16038 OccWorld 五层重建（骨架）：核心对象是在 3D 占据空间里做世界建模——以 VQ-VAE 式自监督场景 tokenizer 把 3D 占据压成离散高层 token（BEV 化 + 类别嵌入 + 码本），再以 GPT 式但“一次预测一组 token”的空间-时序生成 transformer（空间自注意力 + 2×2 窗口层次化下采样 K 次 + 各尺度子世界模型）同时生成未来占据与 ego 轨迹；公理层含『物体框预测无法捕捉更细粒度场景信息』与『占据只给低层级理解、需自监督 token 化』。 Formalization
FRM-2309.17080 GAIA-1 五层重建（骨架）：核心对象是把驾驶世界建模铸成无监督序列建模的生成式世界模型——视频、文本、动作分别编码为离散/连续 token（图像每帧 576 token，文本来自 T5-large，动作仅速度与曲率两个标量），按“文本—图像—动作”交错成一个序列，用自回归 transformer 预测下一个图像 token，再由单独训练的视频解码器还原到像素空间；公理层含『压缩应朝向语义而非高频』与『预测自车动作的多种未来结果是安全导航的关键问题』。 Formalization