Research KB 登录
PPR-2505.09315 TransDiffuser: Diverse Trajectory Generation with Decorrelated Multi-modal Representation for End-to-end Autonomous Driving针对扩散式轨迹生成中不同随机噪声经去噪后收敛到相似轨迹（模式坍缩）的问题，研究不依赖预定义轨迹词表或训练集场景先验的解耦多模表示方案，以在未见场景下保持生成多样性。 Paper extracted n/a
PPR-2205.15997 TransFuser: Imitation With Transformer-Based Sensor Fusion for Autonomous DrivingTransFuser：用自注意力在多个分辨率上融合透视视图与鸟瞰视图特征，替代几何式传感器融合；在密集交通长路线的闭环基准与 CARLA 官方榜上取得领先，相比几何融合把平均每公里碰撞率降低 48%。后续 LiDAR-free 版本（Latent-Transfuser/LTF）是 NAVSIM 常用基线。 Paper extracted n/a
PPR-2303.12077 VAD: Vectorized Scene Representation for Efficient Autonomous DrivingVAD：把驾驶场景建模为完全向量化表示（智能体运动 + 地图元素作为显式实例级规划约束），替代稠密栅格化表示；据此提升规划安全并省去计算密集的栅格表示与人工后处理，在 nuScenes 端到端规划上取得领先并大幅加速。 Paper extracted n/a
PPR-2402.11502 GenAD: Generative End-to-End Autonomous Driving把端到端驾驶表述为生成建模：实例中心场景 tokenizer 把场景转为地图感知实例 token，用变分自编码器在结构化潜空间学习未来轨迹分布，再在潜空间做预测与规划；主张能建模自车与周围交通共同演化及结构式轨迹先验。 Paper extracted n/a
PPR-2406.06978 Hydra-MDP: End-to-end Multimodal Planning with Multi-target Hydra-Distillation多教师蒸馏 + 多候选打分：学生模型用多头解码器同时学人类演示与规则式教师的规划偏好，把规则教师的非可微后处理内化为端到端学习的环境影响；NAVSIM 挑战赛第一名，是其后续（Hydra-MDP++、DriveSuprim、SparseDriveV2）的共同底座。 Paper extracted n/a
PPR-2408.03601 DRAMA: An Efficient End-to-end Motion Planner for Autonomous Driving with MambaDRAMA：以 Mamba 序列建模替代二次复杂度注意力，融合相机、LiDAR BEV 特征与 ego 状态生成未来自车轨迹；Mamba-Transformer 解码器可通用挂到注意力式模型上，并提出特征状态 dropout，目标是降低复杂度以应对更复杂场景。 Paper extracted n/a
PPR-2503.07656 DriveTransformer: Unified Transformer for Scalable End-to-End Autonomous DrivingDriveTransformer：以任务并行（智能体/地图/规划 query 在每个 block 直接交互）、稀疏表示（任务 query 直接交互原始传感器特征）、流式处理（任务 query 作为历史信息存储传递）为三特征的统一端到端框架，避免感知-预测-规划串行导致的误差累积与训练不稳，并便于扩展。 Paper extracted n/a
PPR-2212.10156 Planning-oriented Autonomous DrivingUniAD：把感知、预测、规划全部任务整合进单一网络，以规划为最终目标重排任务优先级，用统一 query 接口做任务间通信；提出面向规划的框架理念，是端到端自动驾驶后续工作（VAD、SparseDrive、GenAD 等）的共同参照与对照。 Paper extracted n/a
PPR-2507.17596 PRIX: Learning to Plan From Raw Pixels for End-to-End Autonomous Driving仅用相机、无显式 BEV、无需 LiDAR 的高效端到端规划器：视觉特征提取器配生成式规划头直接从原始像素预测安全轨迹，核心模块 CaRT 多层级视觉特征重校准增强规划鲁棒性；报告 NAVSIM v2 与 nuScenes 领先。 Paper extracted n/a
FRM-2506.06664 GTRS 五层重建（骨架）：核心对象是统一粗/细粒度轨迹评估的三支柱框架——基于 Diffusion Policy 的动态候选生成器、用超稠密词表（16384）+ 词表 dropout 训练并在较小子集（8192）推理的泛化打分器、以及传感器扰动与仅训练期精化（top-k + EMA 教师软监督、目标裁剪）的增广打分器；公理层含『静态词表粗离散、动态候选覆盖窄』与『超稠密训练/小子集推理可诱导泛化』。 Formalization