| BMK-005 | CelebA-HQ unconditional generation (256×256)无条件人脸生成基准（CelebA-HQ 256²）：LDM 报 FID 5.11 新 SOTA 并以 Precision/Recall 支撑 mode-covering 论证（CLM-020 承重锚点）；单数据集、与 ImageNet 类条件口径不可混读。 | Benchmark extracted n/a |
| CLM-026 | nuPlan 训练的模型零样本迁移 interPlan：相对共享生成管线的 Diffusion Planner 大幅领先，增益集中于安全维度（碰撞避免、TTC），progress/speed-limit 类项持平或微降；优势依场景类型非全域均匀。 | Claim extracted unverified ppr-2606.26017 |
| CLM-027 | 零样本迁移真实无人机记录的密集城市交通（DeepScenario，NR）：安全与路线推进增益保持，碰撞避免与推进维度大幅超过 Diffusion Planner、推进维度反超规则基线 PDM-Closed；drivable area 与 driving direction 非最优。 | Claim extracted unverified ppr-2606.26017 |
| CLM-031 | 去掉邻车历史输入的 history-free 变体在 reactive/interactive 闭环下反而更优，且加事后规则精修后的增益依赖远小于稀疏引导对照（作者推断）；该优势严格限于 reactive/interactive 设定，NR 下不成立。 | Claim extracted unverified ppr-2606.26017 |
| CLM-033 | 闭环 diffusion 规划的质量瓶颈在结构设计（联合生成/起点约束/导航 adaLN 专门架构）而非 diffusion 范式本身：专门设计免精修达学习型类内最好成绩，且大幅优于套壳 diffusion 方法；对规则/混合类整体优势仅经 w/ refine. 变体成立（作者主张）。 | Claim extracted unverified ppr-2501.15564 |
| CLM-034 | 把规划与预测统一重定义为 future trajectory generation（ego 与 M 辆邻车同一扩散损失联合生成）后，协同行为由联合分布建模自然涌现，无需额外损失函数或专用子模块——从架构推导+定性案例+M 消融旁证，非严格归因（作者推断）。 | Claim extracted unverified ppr-2501.15564 |
| CLM-035 | 训练后行为对齐可经 DPS 免训练实现：能量重加权目标 p0 ∝ q0·e^{−E} 下，用 μ_θ 近似后验期望直接过可微能量函数取梯度修正分数，免 classifier 训练；多种能量函数（目标速度/舒适/碰撞/可行驶区）推理期自由组合（案例级证据，无量化消融）。 | Claim extracted unverified ppr-2501.15564 |
| CLM-037 | 数据管线各件是独立承重件：数据增强、未来轨迹插值、z-score 归一化各自剔除均显著降分；ego 当前状态含速度/加速度会诱发 shortcut 而损害规划，直接剔除优于 state-dropout 缓解——shortcut 机制解释是作者叙述，非消融隔离的结论。 | Claim extracted unverified ppr-2501.15564 |
| CLM-038 | 无基准特化组件的规划器跨驾驶风格迁移保持：配送车（保守风格、非机动车道、密集交互）数据集上重训后取得最高闭环分，而含 nuPlan 特化设计（参考线、crosswalk 适配）的基线（PDM/GameFormer/PLUTO）掉分——迁移优势归因依赖作者解释，未经消融隔离。 | Claim extracted unverified ppr-2501.15564 |
| 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 |
| PPR-2604.04198 | DriveVA: Video Action Models are Zero-Shot Drivers视频动作模型作零样本驱动器（Liu et al.）。 | Paper extracted n/a |
| PPR-2607.13028 | TerraZero: Procedural Driving Simulation for Zero-Demonstration Self-Play at Scale程序化驾驶仿真支撑大规模零演示自播放（Wu et al.）。 | Paper extracted n/a |
第 3 / 3 页
上一页