PPR-2510.04333
Paper
RAP: 3D Rasterization Augmented End-to-End Planning
| id | |
|---|---|
| updated | |
| type | paper |
| title | RAP: 3D Rasterization Augmented End-to-End Planning |
| authors | Lang Feng, Yang Gao, É. Zablocki, Quanyi Li, Wuyang Li, Sichao Liu |
| venue | arXiv:2510.04333 |
| arxiv | 2510.04333 |
| tier | 0 |
| lifecycle | EXTRACTED |
| epistemic | n/a |
| ingested | 2026-09-10 |
| version | arXiv:2510.04333（未拉取源；S2 元数据） |
| source-hash | sha256:0000000000000000000000000000000000000000000000000000000000000000 |
| admitted-under | A2-direct-edge |
| admission-note | 被 DA-WAM（PPR-2608.19085）与 CLOVER（PPR-2605.15120）直接引用（训练数据增广/恢复数据线）。 |
定位
Feng 等（2025）提出 RAP。论文指出：模仿学习式端到端策略只在专家演示上训练，部署进闭环（闭环读法见 DIS-003）后缺乏恢复数据——小错误无法纠正并迅速累积成失败。一个有希望的方向是生成日志路径之外的替代视角与轨迹；既有做法借神经渲染或游戏引擎构造照片级数字孪生，但过于缓慢昂贵，多只用于评测。RAP 的主张是端到端规划器的训练不需要照片真实感，需要的是语义保真与可扩展性：驾驶依赖几何与动力学，不依赖纹理与光照。据此提出 3D 光栅化，用对带标注图元的轻量光栅化替代昂贵渲染，从而支持反事实视角、轨迹替换等增广。作者群与 HUGSIM、NAVSIM 生态有交集。
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：仿真/增广作为训练数据源线。与 HUGSIM（PPR-2412.01718）的照片级闭环微调、RAD（PPR-2502.13144）的 3DGS 闭环 RL、CAT（PPR-2310.12432）的对抗场景生成在“渲染保真度与可扩展性的权衡”上互为对照——RAP 选择放弃照片真实感换规模。
Provenance
- Tier-0 轻量 ingest（S2 元数据）：
version/source-hash占位（待补）。
关联（6）
- PPR-2310.12432 CAT: Closed-loop Adversarial Training for Safe End-to-End Driving
- PPR-2412.01718 HUGSIM: A Real-Time, Photo-Realistic and Closed-Loop Simulator for Autonomous Driving
- PPR-2502.13144 RAD: Training an End-to-End Driving Policy via Large-Scale 3DGS-based Reinforcement Learning
- FRM-2510.04333 RAP 五层重建（骨架）：核心对象是“训练端到端规划器不需要光真实”这一主张及其实现——用轻量 3D 栅格化（对标注图元做栅格化）替代昂贵的光真实渲染，构造反事实恢复机动与跨智能体视角合成等增强，并用 Raster-to-Real 特征空间对齐弥合 sim-to-real 差距；公理层含『模仿学习缺恢复数据，闭环下小错误不可纠正并累积』与『驾驶依赖几何与动力学而非纹理光照』。
- DIS-003 术语“闭环”在本库的两个 referent 路由：控制论意义的闭环解/最优策略（CPT-026）与自动驾驶基准的闭环评估口径（BMK-003、BMK-006）。
- IDX-001 NAVSIM 规划线