| FRM-2503.11650 |
Centaur 五层重建（骨架）：核心对象是以不确定性为目标的测试时训练——把打分式规划器看作词表上的分类器，先按 5 个方向锚（sharp/slight left、forward、slight/right）对采样候选聚类求和归一化，再以该 5 类分布的 Shannon 熵（Cluster Entropy）作无监督目标，在推理前用历史梯度缓冲（F=4）的平均做单步参数更新；公理层含『预编程回退层/代价函数无法随新数据学习而过度保守』与『词表巨大时朴素熵偏向邻居多的轨迹』。 |
Formalization
|
|
| FRM-2505.15111 |
iPad 五层重建（骨架）：核心对象是把“候选未来计划”（proposal）置于特征提取与辅助任务的中心——ProFormer 以提案预测位姿为锚做变形自注意力与空间交叉注意力、迭代精化提案查询（跨迭代共享权重，用带折扣的 MoN 损失逐轮监督），替代 BEVFormer 式固定稠密网格；两个轻量提案中心辅助任务（可通行/在途建图、对首个致因与可能碰撞智能体的未来预测）同时供可解释性与不确定性表达。 |
Formalization
|
|
| FRM-2506.06659 |
DriveSuprim 五层重建（骨架）：核心对象是把选择式规划的“精确选优”拆成粗到精两段——粗筛在整词表上按 Hydra-MDP 式打分取 top-k，精化解码器再对含大量 hard negative 的候选逐层输出细粒度分数；为缓解困难场景的数据不平衡引入 ego 旋转等价的视图增广（伪全景裁剪 + 真值同步反向旋转），并用 EMA 教师裁剪软标签做自蒸馏稳定训练。 |
Formalization
|
|
| FRM-2603.29163 |
SparseDriveV2 五层重建（骨架）：核心对象是把静态轨迹词表推到超稠密——先把轨迹分解为几何路径与速度剖面两组因子、以组合覆盖动作空间（词表比先前方法稠密 32×），再用粗粒度因子化打分筛出 top-K 路径与 top-K 速度、组合后只对小子集做细粒度打分；其经验前提是对 Hydra-MDP 的 scaling 研究显示锚点越密性能越好、在算力约束前不饱和；作者据此主张动态生成并非必要。 |
Formalization
|
|
| FRM-2405.19620 |
SparseDrive 五层重建（骨架）：核心对象是把端到端驾驶重建为“对称稀疏感知 + 并行运动规划”——检测/跟踪/在线建图共用对称结构学得全稀疏场景表示，ego 与周围智能体以同一套多模轨迹头并行预测，再经分层规划选择（命令筛子集 + 碰撞感知重打分把碰撞轨迹分数置 0）输出安全轨迹；公理层含『模块化系统的信息损失与误差累积』『昂贵 BEV 特征与直白设计是效率瓶颈』『运动预测与规划高度相似』。 |
Formalization
|
|
| FRM-2402.13243 |
VADv2 五层重建（骨架）：核心对象是把规划建成场景条件概率分布——先以最远点采样把连续动作空间离散成大规模规划词表（默认 4096 条，全部取自驾驶演示因而天然满足运动学约束），再用受 NeRF 启发的概率场函数（傅里叶位置编码 + transformer 解码器）预测每候选概率，以分布损失（KL→交叉熵）、冲突损失与场景 token 损失训练；公理层含『场景—动作无确定关系、解空间非凸时确定式回归有安全风险』与『概率对动作连续且对小扰动不敏感』。 |
Formalization
|
|
| FRM-2406.06978 |
Hydra-MDP 五层重建（骨架）：核心对象是三范式对比下的多教师蒸馏——把『多模规划 + 单目标学习 + 不可微后处理』改为『多模规划 + 多目标学习』，在 VADv2 式固定词表上以模仿损失对齐人类、以离线仿真分数经 BCE 蒸馏规则教师，推理期按网格搜索权重组装子分数选轨迹；公理层含『仅模仿不足以关联环境』『不可微后处理基于不完美感知』『固定词表使离线批量仿真可行』。 |
Formalization
|
|
| PPR-2402.13243 |
VADv2: End-to-End Vectorized Autonomous Driving via Probabilistic Planning概率式规划：把连续动作空间离散化为大规模规划词表并 token 化，规划 token 与场景 token 交互后输出动作概率分布，用海量演示监督该分布；在 CARLA Town05 闭环上取得当时领先，是大词表候选采样范式的代表。 |
Paper
extracted
n/a
|
|
| PPR-2601.05083 |
Driving on RegistersDrivoR：基于预训练 ViT 的简洁 Transformer 规划架构——用相机感知寄存器 token 把多相机特征压成紧凑场景表示以大幅降低下游计算，再由两个轻量解码器分别生成与打分候选轨迹；打分解码器模仿 oracle 并预测安全/舒适/效率子分数以支持行为条件驾驶；在 NAVSIM v1/v2 与 HUGSIM 上匹配或超过强基线。 |
Paper
extracted
n/a
|
|
| PPR-2308.01898 |
UniSim: A Neural Closed-Loop Sensor SimulatorUniSim：把单条传感器采集日志转为真实感闭环多传感器仿真——用神经特征网格重建静态背景与动态智能体并合成，从而在场景配置改变（增删智能体、轨迹与原始日志不同）时仍能渲染闭环所需的传感器数据，支持安全关键场景的闭环评测。 |
Paper
extracted
n/a
|
|