KiGRAS：用于真实感智能体仿真的运动学驱动生成模型

基于摘要分析。该研究面向自动驾驶中的轨迹生成，提出 KiGRAS，通过建模逐时间步的动作概率分布，并利用运动学模型将动作转换为轨迹，缓解直接在冗余状态空间中生成轨迹的表示问题。 机制上，论文将已有自回归轨迹生成范式描述为利用状态转移模型逼近未来轨迹分布。KiGRAS 则把驾驶场景分解到更紧凑的动作表示空间，通过“动作→运动学模型→轨迹”建立物理因果约束。作者认为，这既能排除大量冗余轨迹，也能使对应相同动作序列的轨迹共享表示；作者进一步主张，由动作推导的状态受到物理可行性约束。具体动作变量、概率分解形式、运动学假设，以及训练损失与推理流程尚未验证。 作者报告，KiGRAS 在 Waymo SimAgents Challenge 中取得领先表现，并在 WOMD 排行榜排名第一，参数量显著少于其他模型。摘要未提供具体指标、参数量、参照模型、榜单时间及数据划分，因而不能据此量化优势或判断不同协议下的可比性；实验协议、消融及统计信息尚未验证。 本文的主要贡献是驾驶智能体仿真的结构化生成表示，而非 EEG 解码或 BCI 算法。其机制依赖可定义的动作空间及动作到轨迹的运动学映射；所给材料未建立这些结构与 EEG/BCI 问题的具体对应关系，因此不据此提出迁移效果或复现实验建议。已有 EEG 相关工作尚未检索确认。