PPR-2506.06664
Paper
Generalized Trajectory Scoring for End-to-end Multimodal Planning
| id | |
|---|---|
| updated | |
| type | paper |
| title | Generalized Trajectory Scoring for End-to-end Multimodal Planning |
| authors | Zhenxin Li, Wenhao Yao, Zi Wang, Xinglong Sun, Joshua Chen, Nadine Chang |
| venue | arXiv:2506.06664 |
| arxiv | 2506.06664 |
| tier | 1 |
| lifecycle | EXTRACTED |
| epistemic | n/a |
| ingested | 2026-09-10 |
| version | arXiv:2506.06664v1 |
| source-hash | sha256:0f7f2974d60413158d641eeb4e1acb201f1ddc5961db41a908b403985a03a493 |
| admitted-under | A2-direct-edge |
| admission-note | 被 DA-WAM（PPR-2608.19085）直接引用（trajectory scoring 线），被 CLOVER（PPR-2605.15120）列入对比。 |
定位
Li 等（2025，NVIDIA）提出 GTRS（Generalized Trajectory Scoring）。问题设定是：多模规划需要稳健的轨迹打分器从候选中选优，而既有打分器分两类，各有泛化局限——面向大规模静态词表的打分器能做粗离散覆盖，却难以细粒度适应；面向小型动态候选的打分器精细，却覆盖不到更广的轨迹分布。GTRS 用三件互补设计统一两者：一个基于扩散的轨迹生成器产出多样细粒度候选；一个词表泛化技术让打分器在超稠密轨迹集上训练；以及在此基础上的统一评估框架。论文称由此同时获得粗覆盖与细粒度适应。
与本库的关系
- 准入身份：A2-direct-edge（被 DA-WAM、CLOVER 直接引用）。
- 谱系定位：轨迹打分线。与 DriveSuprim（PPR-2506.06659）同组工作，与 Hydra-MDP（PPR-2406.06978）的多头打分、SparseDriveV2（PPR-2603.29163）的稠密静态词表结论构成同一问题的三种回答；DA-WAM（PPR-2608.19085）在其基础上增加候选特定未来潜条件。
- 评测口径锚定 BMK-006。
Provenance
- Tier-0 轻量 ingest（S2 元数据）：
version/source-hash占位（待补）。
关联（13）
- PPR-2406.06978 Hydra-MDP: End-to-end Multimodal Planning with Multi-target Hydra-Distillation
- PPR-2411.15139 DiffusionDrive: Truncated Diffusion Model for End-to-End Autonomous Driving
- PPR-2503.12820 Hydra-MDP++: Advancing End-to-End Driving via Expert-Guided Hydra-Distillation
- PPR-2505.09315 TransDiffuser: Diverse Trajectory Generation with Decorrelated Multi-modal Representation for End-to-end Autonomous Driving
- PPR-2506.06659 DriveSuprim: Towards Precise Trajectory Selection for End-to-End Planning
- PPR-2603.29163 SparseDriveV2: Scoring is All You Need for End-to-End Autonomous Driving
- PPR-2605.15120 CLOVER: Closed-Loop Value Estimation and Ranking for End-to-End Autonomous Driving Planning
- PPR-2608.19085 DA-WAM: Decision-Aligned Future Latents for Driving World Models
- BMK-006 NAVSIM non-reactive planning benchmark (v1 PDMS / v2 EPDMS two-stage)
- FRM-2506.06659 DriveSuprim 五层重建（骨架）：核心对象是把选择式规划的“精确选优”拆成粗到精两段——粗筛在整词表上按 Hydra-MDP 式打分取 top-k，精化解码器再对含大量 hard negative 的候选逐层输出细粒度分数；为缓解困难场景的数据不平衡引入 ego 旋转等价的视图增广（伪全景裁剪 + 真值同步反向旋转），并用 EMA 教师裁剪软标签做自蒸馏稳定训练。
- FRM-2506.06664 GTRS 五层重建（骨架）：核心对象是统一粗/细粒度轨迹评估的三支柱框架——基于 Diffusion Policy 的动态候选生成器、用超稠密词表（16384）+ 词表 dropout 训练并在较小子集（8192）推理的泛化打分器、以及传感器扰动与仅训练期精化（top-k + EMA 教师软监督、目标裁剪）的增广打分器；公理层含『静态词表粗离散、动态候选覆盖窄』与『超稠密训练/小子集推理可诱导泛化』。
- FRM-2603.29163 SparseDriveV2 五层重建（骨架）：核心对象是把静态轨迹词表推到超稠密——先把轨迹分解为几何路径与速度剖面两组因子、以组合覆盖动作空间（词表比先前方法稠密 32×），再用粗粒度因子化打分筛出 top-K 路径与 top-K 速度、组合后只对小子集做细粒度打分；其经验前提是对 Hydra-MDP 的 scaling 研究显示锚点越密性能越好、在算力约束前不饱和；作者据此主张动态生成并非必要。
- IDX-001 NAVSIM 规划线