PPR-2402.11502
Paper
GenAD: Generative End-to-End Autonomous Driving
| id | |
|---|---|
| updated | |
| type | paper |
| title | GenAD: Generative End-to-End Autonomous Driving |
| authors | Wenzhao Zheng, Ruiqi Song, Xianda Guo, Chen-Ming Zhang, Long Chen |
| venue | ECCV 2024 (arXiv:2402.11502) |
| arxiv | 2402.11502 |
| tier | 1 |
| lifecycle | EXTRACTED |
| epistemic | n/a |
| ingested | 2026-09-10 |
| version | arXiv:2402.11502v3 |
| source-hash | sha256:563b0bf5d2e0804587b1a29f7a484fbcb23896ccc754dee89a48aba66abadeba |
| admitted-under | A2-direct-edge |
| admission-note | 被 DiffusionDrive/DiffusionDriveV2 直接引用为生成式规划的前置。 |
定位
Zheng 等（ECCV 2024）提出 GenAD。论文认为直接把原始传感器映射到规划的既有方法多把问题分解为感知、运动预测、规划三段，而渐进式管线无法完整建模整个交通演化过程——例如自车与其他交通参与者的未来交互、以及结构化轨迹先验。GenAD 把端到端驾驶表述为生成建模问题，关键是在给定过去场景的条件下预测自车与周边如何演化：先用实例中心场景 tokenizer 把场景转成地图感知的实例 token，再用变分自编码器在结构化潜空间中学习未来轨迹分布以承载轨迹先验，随后在潜空间做预测与规划的联合生成。
与本库的关系
- 准入身份：A2-direct-edge（被 DiffusionDrive、DiffusionDriveV2 直接引用）。
- 谱系定位：生成式端到端规划的早期代表，与 VADv2（PPR-2402.13243）的概率规划、DiffusionDrive（PPR-2411.15139）的扩散生成构成同族演化；其潜空间轨迹先验思路也被后续 latent world model 线（如 LAW、World4Drive）以另一形式继承。
Provenance
- Tier-0 轻量 ingest（S2 元数据）：
version/source-hash占位（待补）。
关联（6）
- PPR-2212.10156 Planning-oriented Autonomous Driving
- PPR-2402.13243 VADv2: End-to-End Vectorized Autonomous Driving via Probabilistic Planning
- PPR-2411.15139 DiffusionDrive: Truncated Diffusion Model for End-to-End Autonomous Driving
- PPR-2510.08562 ResAD: Normalized Residual Trajectory Modeling for End-to-End Autonomous Driving
- FRM-2402.11502 GenAD 五层重建（骨架）：核心对象是把端到端驾驶重铸为生成建模——先用实例中心场景 tokenizer 把周围场景变成含地图语义的实例 token，再用 VAE 在结构化潜空间学未来轨迹先验，并让 GRU 在潜空间里推进时间演化、由 MLP 逐点解出 waypoint；因运动预测与规划共享输出空间，二者用同一套潜空间与生成器完成；公理层含『渐进式流水线无法全面建模交通演化过程』与『轨迹高度结构化、存在可学先验』。
- IDX-001 NAVSIM 规划线