| PPR-2506.06664 | Generalized Trajectory Scoring for End-to-end Multimodal PlanningGTRS：统一粗、细粒度轨迹评估的端到端多模规划框架——扩散生成器产出细粒度候选 + 词表泛化技术让打分器在超稠密轨迹集上训练，兼得静态词表的粗离散覆盖与动态候选的精细适应；被 DA-WAM 与 CLOVER 引用。 | Paper extracted n/a |
| FRM-2512.07745 | DiffusionDriveV2 五层重建（骨架）：核心对象是把去噪链视为 MDP 后用 RL 约束/探索的截断扩散生成器——锚内 GRPO 做组内优势、锚间截断 GRPO 负优势归零且碰撞罚一、尺度自适应乘性探索噪声；公理层含『IL 只监督单一正模式致负模式无约束』与『不同意图的锚不应直接比较优劣』；论证主干是多样性-质量权衡的对照与消融。 | Formalization |
| FRM-2608.19085 | DA-WAM 五层重建（骨架）：核心对象是候选特定的动作条件未来潜（每候选一个、不共享）与未来潜条件的因子化打分器；公理层含『世界模型的规划价值受其预测影响候选级打分的直接程度约束』与离线日志只记录专家执行未来；论证主干是同一骨干下的匹配消融（无未来预测／共享全局未来／当前潜／动作条件未来，± 安全关键难负例）隔离预测-行动耦合。 | Formalization |
| FRM-2412.01718 | HUGSIM 五层重建（骨架）：核心对象是基于 3D 高斯泼溅的重建式照片级闭环仿真器——分解式场景表示（地面多平面约束 + 单轮车正则的动态车 + 3DRealCar 非原生车）、LQR 与运动学自行车模型的闭环、IDM 正常与攻击代价搜索的激进 actor，以及 HD-Score（NC/DAC 门控 × TTC/COM 加权，再乘路线完成度 R_c）；公理层含『评估需闭环』『闭环视觉评测需照片级渲染』与『闭环中 EP 不适用』。 | Formalization |
| PPR-2412.01718 | HUGSIM: A Real-Time, Photo-Realistic and Closed-Loop Simulator for Autonomous Driving基于 3D 高斯泼溅的闭环照片级实时仿真器：把动态场景建成含外观/语义/流/深度的多模 3DGS（单轮车轨迹正则 + 多平面地面模型 + 非原生车辆），用 LQR 闭环控制、IDM 与攻击代价轨迹搜索生成正常/攻击型交通；跨 KITTI-360/Waymo/nuScenes/PandaSet 70+ 场景 400+ 难度分级场景，提出 HD-Score（NC/DAC/TTC/COM/路线完成）。 | Paper extracted n/a |
| FRM-2603.24581 | Latent-WAM 五层重建（骨架）：核心对象是空间感知压缩世界编码器（可学习 scene query 压缩多视角图像 + 几何基础模型蒸馏）与动态潜世界模型（因果 Transformer 自回归预测未来世界状态，3D-RoPE + teacher forcing mask + ego 状态监督）；公理层含『世界状态须轻量以支撑长时程转移』与『推理只需 SCWE + 轨迹解码器』；论证为对既有世界模型三缺陷（压缩不足/空间理解缺/历史动态利用不足）的逐项回应。 | Formalization |
| PPR-2603.24581 | Latent-WAM: Latent World Action Modeling for End-to-End Autonomous Driving面向数据与算力受限的潜在世界模型规划器：空间感知压缩世界编码器（SCWE）从几何基础模型蒸馏知识并用可学习 query 压成紧凑场景 token；动态潜世界模型（DLWM）用因果 Transformer 以历史视觉与运动表示为条件自回归预测未来世界状态；NAVSIM v2 EPDMS 89.3、HUGSIM HD-Score 28.9，104M 参数。 | Paper extracted n/a |
| FRM-2605.15120 | CLOVER 五层重建（骨架）：核心对象是生成器-打分器框架下的两阶段训练——Stage 1 用评估器过滤的伪专家做集合级覆盖监督，Stage 2 用评估器子分数做保守闭环自蒸馏（打分器拟合真实子分数、生成器向教师 top-k 与向量 Pareto 集合蒸馏加稳定性正则）；含一条作者命题（选中集合富集 → 高质量支撑提升）；公理层含训练-评估错配与『直接最大化学习标量分会利用打分器错误』。 | Formalization |
| PPR-2605.15120 | CLOVER: Closed-Loop Value Estimation and Ranking for End-to-End Autonomous Driving Planning生成器-打分器框架：生成器产出多模候选，轨迹级打分器预测规划指标子分数用于推理时排序；用评估器过滤的伪专家轨迹 + 集合级覆盖监督扩候选支撑，再做保守闭环自蒸馏（打分器拟合真实评估器子分数、生成器向教师挑选的 top-k 与向量 Pareto 目标精化）；NAVSIM 94.5 PDMS / 90.4 EPDMS，NavHard 48.3 EPDMS。 | Paper extracted n/a |
| PPR-2512.07745 | DiffusionDriveV2: Reinforcement Learning-Constrained Truncated Diffusion Modeling in End-to-End Autonomous Driving用强化学习约束与探索截断扩散：尺度自适应乘性噪声拓宽探索；锚内 GRPO 在单一锚内做组优势估计、锚间截断 GRPO 提供跨锚全局视角，避免不同驾驶意图（左转 vs 直行）间不当优势比较导致的进一步模式坍缩；NAVSIM v1 PDMS 91.2、v2 EPDMS 85.5（ResNet-34）。 | Paper extracted n/a |
| FRM-2411.15139 | DiffusionDrive 五层重建（骨架）：核心对象是锚定高斯分布上的截断扩散策略（K-Means 锚点 + 只注少量噪声的短程去噪）与级联扩散解码器；公理层含『驾驶行为多模』『人类驾驶遵循固定模式可作先验』『去噪步数是实时瓶颈』；论证主干是 Transfuser→Transfuser_DP→Transfuser_TD→DiffusionDrive 的逐级路线图（质量、多样性、FPS 三者同测）。 | Formalization |
| PPR-2411.15139 | DiffusionDrive: Truncated Diffusion Model for End-to-End Autonomous Driving截断扩散策略：以多模先验锚点把高斯噪声分成锚定高斯混合先验，截断扩散调度使去噪步数从 20 降到 2，同时缓解模式坍缩；级联扩散解码器经稀疏可变形注意力交互 BEV/PV 与结构化 query；NAVSIM navtest 88.1 PDMS（ResNet-34 对齐），4090 上 45 FPS。 | Paper extracted n/a |
| PPR-2608.19085 | DA-WAM: Decision-Aligned Future Latents for Driving World Models决策对齐的世界动作模型：V-JEPA 2.1 在线编码器（LoRA 适配 + EMA 目标）在规划器优化期间持续受预测监督，动作条件预测器为每条候选轨迹生成各自未来潜状态，未来潜条件因子化打分器按各自后果评分；专家匹配密集监督 + 安全关键难负例；NAVSIM v1 PDMS 93.7、v2 EPDMS 87.7。 | Paper extracted n/a |
| DAT-002 | nuPlan v1.1 原生数据分发（nuscenes.org，20Hz .db）nuPlan 论文的官方数据工件（20Hz SQLite .db logs + 原生传感器）：BMK-003 口径 devkit 闭环的唯一数据源——test.zip + maps ≈ 97 GB 即可评测，train 元数据即 ~1 TB。 | Dataset extracted n/a |
| IDX-001 | NAVSIM 规划线NAVSIM 规划线索引：按候选构造、打分信号、未来潜与决策、评估口径四轴列出本线已入库对象（六张锚点 + 五十一张引用展开），并标注方法前置；纯导航，不含结构判断。 | Index |
| PPR-2510.04333 | RAP: 3D Rasterization Augmented End-to-End PlanningRAP：主张端到端规划训练不缺照片真实感、缺语义保真与可扩展性——用 3D 光栅化（对标注图元做轻量光栅化）替代昂贵的神经渲染/游戏引擎，生成反事实视角与轨迹等增广数据，为模仿策略补充部署后缺失的恢复数据，缓解小错误累积。 | Paper extracted n/a |
| DIS-004 | 术语 predictive 在本库两类专名中的路由：Predictive Driver Model 规划器族（PPR-2306.07962）及其派生的评分名（CPT-017、BMK-006），与 Predictive World Model 环境未来状态任务（DAT-001）。 | Disambiguation |
| DAT-001 | OpenScene — nuPlan 传感器数据的紧凑再分发（OpenDriveLab）nuPlan 数据的紧凑再分发（2Hz 降采样、体积 >10× 缩减、120+ 小时、四城）：trainval 1310 / test 147 / mini 64 logs——BMK-006（NAVSIM）的数据底座。 | Dataset extracted n/a |
| PPR-2306.07962 | Parting with Misconceptions about Learning-based Vehicle Motion PlanningParting（Dauner 等, CoRL 2023）：nuPlan 上开环 ego-forecasting 与闭环驾驶负相关——规则系 IDM 胜过全部学习式方法，仅用中心线加 ego 状态的 MLP 拿最高 OLS 86；据此构造提案-仿真-评分式 PDM-Closed（CLS 76-77→92-93）与只在跟踪器不消费远端修正的 PDM-Hybrid，夺 2023 挑战赛第一。 | Paper formalized n/a |
| PPR-2605.12964 | Asymmetric Flow ModelsAsymFlow：秩非对称流目标参数化——数据项全维、噪声项限缩到 rank-r 的 patch 级低秩子空间，全秩速度解析恢复，训练与采样不变；r=0/r=D 退化为 x0-prediction 与 u-prediction，r=8 加 REPA 后 ImageNet FID 1.57；并把预训练潜空间流模型精确提升为像素流模型，微调 FLUX.2 klein 9B 得像素 T2I 模型。 | Paper extracted n/a |
| FRM-2605.12964 | AsymFlow 五层重建：不对称速度目标 Pε−x0 与解析恢复 → 端点归约（r=0/正负号 x0-pred，r=D u-pred）→ Procrustes lift 的轨迹耦合定理 → 方差缩减微调损失（control variates + LPIPS 门控）；断言投影待 G1 签发后进行。 | Formalization |
| PPR-2510.11690 | Diffusion Transformers with Representation AutoencodersRAE（Representation Autoencoder）：用冻结的预训练表征编码器（DINOv2/SigLIP/MAE）配一个训练出的 ViT 解码器替换 VAE 作为扩散潜空间；针对高维潜空间上 DiT 训练困难，给出按 token 维度缩放宽度、维度相关噪声调度平移、噪声增强解码三策并配宽 DDT 头；ImageNet 256 无引导 FID 1.51、有引导 1.13。 | Paper extracted n/a |
| PPR-2606.29150 | Flow Reasoning Models: Turning Flows Into Efficient Recurrent ReasonersFlow Reasoning Models（FRM）：把离散结构化输出上的连续流自条件于自身过往预测，把一次性去噪变成迭代解细化；针对递归下的曝光偏差提出 Fixed-Point Forcing（FPF），用模型自身推断动力学的状态训练；三基准求解率 99.5%/100.0%/99.9%，Sudoku-Extreme 上以 44× 更少 FLOPs 匹配次优 98.7%。 | Paper extracted n/a |
| FRM-006 | CVAE（Sohn, Lee & Yan, NIPS 2015）的五层重建骨架：作者把结构化输出建模为以输入为条件的隐变量生成模型，用变分下界在 SGVB 框架训练；产出 CVAE、GSNN 与混合目标，并给出多尺度预测与输入噪声注入两种训练策略。P3 投影待用户发起。 | Formalization |
| CPT-032 | PPR-006 提出的条件有向图模型：输入观测 x 调制高斯隐变量 z 的条件先验 p_θ(z|x)，再由 z 生成输出 y；由识别网络 q_φ(z|x,y)、条件先验网络 p_θ(z|x)、生成网络 p_θ(y|x,z) 组成，在 SGVB 框架下最大化条件对数似然的变分下界训练，支持结构化输出的一对多建模与多样性预测。 | Concept |
| CPT-033 | PPR-006 提出的模型：CVAE 的特例——把识别网络与条件先验网络取相等，目标中只剩生成项 L_GSNN = E log p_θ(y|x,z)，z = g_θ(x,ε)、ε~N(0,I)；可视为带高斯隐变量的随机前馈网络，重参数化技巧使其可由 CVAE 的同一套训练技巧训练。 | Concept |
| PPR-006 | Learning Structured Output Representation using Deep Conditional Generative Modelsc-VAE 原论文（Sohn, Lee & Yan, NIPS 2015）：提出条件变分自编码器（CVAE）——输入观测调制高斯隐变量先验的条件有向图模型，用识别/条件先验/生成三个网络在 SGVB 框架下最大化条件对数似然下界，天然支持一对多结构化输出与多样性预测；另提出其特例 GSNN 与混合目标，以及输入噪声注入与多尺度预测两种训练策略。 | Paper extracted n/a |
| CPT-031 | PPR-2607.02375 为一条生成建模范式起的伞名：满足“一步生成 + 唯一训练信号是分布匹配 + 匹配在冻结预训练编码器特征空间进行 + 无在线教师/对抗判别器/轨迹模拟”这一组共同特征的方法构成该支；库内实例为 Drifting、FD-loss、W-Flow。 | Concept |
| PPR-2211.01095 | DPM-Solver++: Fast Solver for Guided Sampling of Diffusion Probabilistic Models面向引导采样的 DPM-Solver 变体：改用数据预测模型 x_θ 解扩散 ODE，配合阈值化抑制大引导尺度的训练-测试不匹配、并用多步形式缩小有效步长；论文实测此前高阶求解器在引导尺度 8.0 下 15 次求值质量不如一阶 DDIM，本方法在 15–20 步给出高质量引导样本。 | Paper extracted n/a |
| PPR-2607.02375 | Representation Distribution Matching for One-Step Visual GenerationRDM/iRDM：本文为“冻结预训练编码器下匹配生成与真实特征分布来训练一步图像生成器”这一既有范式命名（先前实例如 drifting field、Fréchet-distance loss）；两条设计轴得出 MMD 估计对了即强、batch 需 >2048、单一编码器可被 game 故用编码器组合与 SWmetric 评估；ImageNet 一步 SWmetric 1.30。 | Paper extracted n/a |
| PPR-2602.04770 | Generative Modeling via DriftingDrifting：把生成建模表述为学习映射 f 使其 pushforward 分布匹配数据分布，并在训练期演化 pushforward 分布、因而天然支持一步推理；引入 drifting field 支配样本移动、在分布匹配时达平衡；一步生成在 ImageNet 256×256 得 FID 1.54（latent）/1.61（pixel）。 | Paper extracted n/a |
| PPR-2604.28190 | Representation Fréchet Loss for Visual GenerationFD-loss：证明 Fréchet 距离可有效作为表征空间的训练目标——把 FD 估计的样本量（如 50k）与梯度计算的样本量（如 1024）解耦；用 FD-loss 后训练基础生成器可一致提升视觉质量，且能把多步生成器改造为一步生成器（无需教师蒸馏/对抗训练/逐样本目标），并揭示 FID 会错排视觉质量、据此提出多表征度量。 | Paper extracted n/a |
| PPR-2605.11755 | One-Step Generative Modeling via Wasserstein Gradient FlowsW-Flow：把一步生成拆成两步——先用 Wasserstein 梯度流（能量泛函最小化）定义从参考分布到目标分布的演化，再训练静态神经生成器把该演化压缩成一步；能量泛函用 Sinkhorn 散度实例化，得高效最优传输更新、改善覆盖；一步 ImageNet 256×256 达 1.29 FID，比同 FID 的多步扩散快约 100×。 | Paper extracted n/a |
| FRM-2309.10443 | PlanTF（Cheng 等, CoRL 2023）五层重建：核心是 hidden imitation gap——完美模仿的 log replay 经 LQR 执行后在 Test14-hard 上掉 5.65（TH-1），说明执行链偏差是学习系闭环失败的构成性成分；Test14-random/hard 与 1M 帧训练 split 的定义亦出自本文。 | Formalization |
| CPT-017 | NAVSIM v1 场景分：NC/DAC 门控乘积 × (5·EP+5·TTC+2·C)/12；得名于 PDM（Predictive Driver Model，PPR-2306.07962）规划器的轨迹打分函数，是 nuPlan 闭环分数的轻量重实现。 | Concept |
| FRM-2306.07962 | Parting（Dauner 等, CoRL 2023）五层重建：论证主线是 PDM 方法族逐级构造至 PDM-Hybrid（学习模块只修正跟踪器不消费的远端路点，C-horizon 原则）；开环与闭环负相关（TH-1）与规则基线强（TH-2）是引子，Val14（TH-3）是评测载体。 | Formalization |
| FRM-2606.26017 | G2DP 五层重建：核心对象是 CPT-013 时空代价体（占据概率栅格 × 路线进度图融合）在推理期的可微引导；公理层为能量重加权目标分布、Top-K 车体聚合与末段注入等六个作者前提；论证主干是 Table 4 在同一 DiT 骨干下隔离『稠密网格 vs 稀疏实例』的引导模态消融（稀疏臂按 PPR-2501.15564 附录 C 实现、以 oracle 邻车供给）。 | Formalization |
| PPR-2105.05233 | Diffusion Models Beat GANs on Image Synthesis扩散超越 GAN 的系统改进（Dhariwal & Nichol 2021）：架构消融（U-Net 改进 + attention）+ **classifier guidance**——用分类器梯度对采样做条件化，以 25 步前向得 FID 2.97（ImageNet 128）；是 G2DP 能量重加权引导（AX-1）的机制源头。 | Paper extracted n/a |
| PPR-2501.15564 | Diffusion-Based Planning for Autonomous Driving with Flexible GuidanceDiffusion Planner（ICLR 2025）：DiT 骨干 + 联合预测-规划的闭环驾驶规划器，免规则精修达 nuPlan SOTA；引导用 DPS（免训练、可微能量函数）实现运行时行为对齐——是 G2DP 的直接基线与稀疏引导臂来源（AX-6），本库验证 CLM-025/026/027/032 的第二来源。 | Paper formalized n/a |
| PPR-2606.26017 | G2DP: Diffusion Planning with Spatio-Temporal Grid GuidanceG2DP（奔驰/KIT/TUM）把未来占据概率栅格与路线进度图融合成可微的时空代价体，在去噪末段注入能量梯度引导 DiT 采样，不重训骨干即插拔；nuPlan 纯模仿类最强（reactive 比最强基线 +7.2），零样本迁移 interPlan/DeepScenario 保持最高分，interPlan 避碰比无引导 +10.15。 | Paper formalized n/a |
| CLM-032 | 稠密网格引导是纯推理期模块：占据预测器与生成骨干分开训练、仅在推理耦合，不重训不改骨干即可注入解析梯度，且部分替代事后规则精修（作者推断）。 | Claim extracted unverified ppr-2606.26017 |
| CPT-013 | G2DP 提出的可微引导场：未来占据概率栅格与路线进度图按 γ 融合为逐时刻 cost grid 栈，经 footprint Top-K 聚合成能量泛函，在去噪末段以解析梯度注入采样。 | Concept |
| EVI-028 | Fig. 8：steps 8–9 + lambda_t=0.5 峰值 77.61；早窗与 lambda_t≥0.8 均退化。 | Evidence ppr-2606.26017 |
| EVI-036 | Fig. 7：低温度采样增强轨迹稳定性、步数在 DPM-Solver++（CPT-030）下稳健；w/ refine. 用更低温度（0.1 vs 0.5）以利精修判断——方法使用边界面，非引导窗口消融。 | Evidence ppr-2501.15564 |
| CPT-029 | 扩散 ODE 的免训练专用高阶求解器族：解析积出半线性 ODE 的线性项、换元到对数信噪比得指数加权积分，泰勒展开即得 1/2/3 阶；一阶更新与 DDIM 相同，默认步长在 λ 上均匀，10–20 次函数求值可用。 | Concept |
| CPT-030 | 面向引导采样的 DPM-Solver 变体：以数据预测模型 x_θ 解扩散 ODE（阈值化可把越界预测裁回数据界），并以多步形式（2M）在固定求值预算下用更小步长压制大引导尺度下的高阶不稳定；15–20 步可用。 | Concept |
| PPR-2206.00927 | DPM-Solver: A Fast ODE Solver for Diffusion Probabilistic Model Sampling in Around 10 Steps扩散 ODE 的免训练专用高阶求解器：利用半线性结构解析积出线性项、换元到对数信噪比 λ，得精确解为网络的指数加权积分，泰勒展开得 1/2/3 阶求解器；一阶更新与 DDIM 完全相同，CIFAR-10 上 10 次 NFE 达 FID 4.70。 | Paper extracted n/a |
| CLM-025 | 同一 diffusion 骨干下，稠密概率性 cost 网格引导促成平滑、预见性的避障；稀疏实例级引导即使供给 oracle 邻车轨迹仍诱发末期突变机动并损害舒适度——避障行为质量由引导信息形态决定。 | Claim extracted unverified ppr-2606.26017 |
| EVI-025 | Table 4：Grid +3.35 score/+3.59 collision/+4.94 TTC；Sparse(Oracle) −1.96 score/−10.13 comfort/+0.64 collision。稀疏臂按 PPR-2501.15564 附录 C 式 10 的实例级有向距离能量实现，与稠密臂在信号形态与信息内容两轴同时不同（评注已补）。 | Evidence ppr-2606.26017 |
| FRM-2501.15564 | Diffusion Planner 五层重建：task redefinition 后的 ego+邻车联合轨迹生成（DiT 骨干、单一扩散损失）与 DPS 免训练 classifier guidance；断言投影 CLM-033..038（一份投影卡因 erratum 删除）。附录 C 的四个引导能量函数（式 10–13）与四条设计经验已公式化回填，供 G2DP 稀疏对比臂跨源引用。 | Formalization |