| 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 |
| 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 |
| 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 |
| 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 |
| 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 |
| CPT-019 | 轨迹优化的直接法之一：用仿真（前向积分动力学）产生轨迹，决策变量只有控制的开环参数化与初始状态，状态不是决策变量；单打靶用一条仿真贯穿全程，多重打靶分段仿真加段间连续性约束而更稳健；代价是路径约束难施加、变量与约束高度非线性。 | Concept |
| CPT-020 | 轨迹优化的直接法（direct transcription）之一：把连续时间问题离散成 NLP，状态与控制在各节点上都是决策变量，动力学写成节点间的代数缺陷约束（等价隐式 Runge–Kutta 积分）；按插值/求积阶分梯形配点与 Hermite–Simpson 配点，正交配点用正交多项式根、具谱收敛。 | Concept |
| CPT-023 | 在序列递增的配点网格上反复求解轨迹优化问题：先粗网格/低阶快速得到近似解，再据每段误差估计细分误差大的段或提高多项式阶（hp 自适应），以最小算力换取精度；误差估计基于候选轨迹在配点之间的动力学残差积分。 | Concept |
| CPT-028 | 单步数值积分方法族：用区间内若干级（stage）处导数的加权组合推进状态，系数写成 Butcher 表；系数矩阵上三角非零时各级需联立求解（隐式），为零时可依次显式求出（显式）。轨迹优化中两处用法：直接配点的缺陷约束等价于隐式 RK 格式；直接多重打靶用四阶 RK（RK4，显式）分段仿真。 | Concept |
| CPT-021 | 求解“选择控制随时间函数使轨迹最优”的泛函优化问题的一类方法：在动力学、路径、边界与界约束下最小化 Bolza 形式目标（Mayer 边界项 + Lagrange 路径积分），解为开环控制序列；按离散化时机分直接法（先离散再优化，如配点/打靶）与间接法（先构造最优性条件再离散）。 | Concept |
| CPT-022 | 目标或约束含非线性项的带约束参数优化问题（min J(z) s.t. f(z)=0, g(z)≤0, zlow≤z≤zupp）；是直接法轨迹优化的转录目标。求解器只保证局部最优、可能失败；要求目标与约束函数一致（CPT-025）；约束线性且目标线性/二次时退化为 LP/QP，更易求解。 | Concept |
| CPT-024 | 在最大与零控制之间交替的控制律（最大力加速、滑行、最大反向力制动），出现在最小功/最短时间一类目标下；控制不连续，多项式样条配点无法精确表示（可随网格细化逼近），标准对策是多相优化把间断放在相之间。 | Concept |
| CPT-025 | NLP 求解器对目标/约束函数的要求：每次调用执行完全相同的算术运算序列——无逻辑分支、确定性、输出随输入光滑变化；abs()/min()/max()、随机数、变步长积分、迭代求根、表插值都会破坏一致性并导致收敛问题，对策是松弛变量、光滑化或固定步长/固定迭代。 | Concept |
| CPT-026 | 开环解是作为时间函数的控制序列 u*(t)，把系统从单一初始状态驱动到终态（轨迹优化的产物，需配稳定控制器）；闭环解/最优策略是 u(x)，对状态空间每点给出最优控制（动态规划的产物，基本形式保证全局最优但受维数灾难限制）。 | Concept |
| CPT-027 | 为实现函数一致性（或精确表示绝对值）引入的额外决策变量：把不连续从目标函数推到约束。|u·v| 的等价重写用两个非负松弛变量 s1,s2 与 s1−s2=u·v、目标改 min∫(s1+s2)；数学等价但每个 abs 在每个配点增加两个控制与三个约束，且路径约束使收敛变慢。 | Concept |
| CPT-018 | 被测规划系统失效、需外部接管控制权的事件计数；源自真人路测的 disengagement 语义。nuPlan 论文引 Lyft L5 经验：闭环仿真中绝大多数 intervention 源于 NR 模式伪交互而非规划器缺陷——该论证是 reactive 模式的动机，未实现为 devkit 打分指标。 | Concept |
| CPT-014 | 规划轨迹与专家轨迹逐采样点的 L2 距离之均值；nuPlan 口径按 horizon 3/5/8s 分档报告、打分公式 1−ADE/8m。 | Concept |
| CPT-015 | 规划轨迹与专家轨迹在评估时域终点的 L2 距离；nuPlan 口径 horizon 分档同 ADE、打分阈值同为 8m。 | Concept |
| CPT-016 | nuPlan 口径：按 horizon 分档，max displacement error 超阈值（6/8/16m）记 miss；miss rate ≤ 0.3 才给分——注意用 max 而非 final 判定。 | Concept |
| CPT-001 | 以标准 ViT 为 backbone 的潜空间去噪扩散模型，区别于 U-Net backbone 的 DDPM（ADM/LDM 系列）。 | Concept |
| CPT-002 | DiT 条件注入机制：adaLN + 残差门控 α + 零初始化，使每个 DiT block 初始为恒等映射。 | Concept |
| CPT-003 | 条件采样技术：以同模型无条件输出为基线，用 scale s 向条件方向外推 ε 预测。 | Concept |
| CPT-004 | DiT 第一层：把 noised latent 线性嵌入为 T=(I/p)² 个 token，p 为 patch size 超参。 | Concept |
| CPT-005 | DiT 所用 VAE 解码器三选一（original/ft-MSE/ft-EMA），encoder 相同可免重训互换。 | Concept |
| CPT-006 | 在 VAE 隐空间（而非像素空间）训练 diffusion 的两阶段框架；DiT 的模型即 LDM。 | Concept |
| CPT-007 | DiT 四种 conditioning 设计之一：以 t/c 嵌入之和回归 γ/β 的自适应 LayerNorm，token 无关。 | Concept |
| CPT-008 | LDM 感知压缩段：autoencoder 把像素压成低维感知等价表示 z=E(x)，encoder 以下采样因子 f 缩小空间。 | Concept |
| CPT-009 | LDM 通用 cross-attention 条件机制：τ_θ 把任意条件投影为 Key/Value，注入扩散 U-Net。 | Concept |
| CPT-010 | DiT 四种 conditioning 设计之一：t/c 嵌入拼成 2-token 序列，block 内 self-attention 后追加 cross-attention 层；token 级交互但算力最贵（+15% Gflops），质量居中、劣于 adaLN-Zero。 | Concept |
| CPT-011 | DiT 四种 conditioning 设计之一：t/c 嵌入作为两个额外 token 拼入输入序列，block 零修改；质量最差（FID 35.24）但 Gflops 增量可忽略。 | Concept |
| CPT-012 | 条件调制机制原始出处：FiLM generator 从条件回归逐特征仿射参数 (γ, β)，对 FiLM-ed 网络中间特征做逐特征仿射调制；adaLN（CPT-007）是该模式在 transformer LayerNorm 上的实例化。 | Concept |
第 1 / 1 页