FRM-2505.09315 Formalization

0. Overview

TransDiffuser（PPR-2505.09315，Jiang 等 2025，理想汽车 + 中科院计算所

• 清华）处理扩散式轨迹生成中的模式坍缩。论文的诊断：既有扩散式轨迹生成模型常出现模式坍缩——不同随机噪声经去噪后收敛到相似轨迹；为此当前最优方法多依赖预定义轨迹词表的锚点，或依赖训练集预计算的场景先验来缓解坍缩、丰富多样性，但这类归纳偏置在真实部署中并不存在，泛化到未见场景时会受挑战。TransDiffuser 研究不使用任何预定义轨迹词表或预计算场景先验、直接在连续动作空间生成多样可行轨迹的可能性：整体是编码器—解码器模型，场景编码器（基于 Transfuser 骨干、参数冻结）输出图像、LiDAR 与 BEV 特征，另有动作编码器与 ego 状态编码器把历史 ego 轨迹与当前 ego 状态编码为嵌入；这些构成去噪解码器的多模态条件输入。与既有方法不同之处在于：在去噪过程中施加一个简单有效的多模态表示去相关优化机制，以丰富潜表示空间、更好引导下游生成。论文报告在 NAVSIM 上取得 94.85 PDMS，且在不使用锚点与先验的前提下超过此前最优。

本重建覆盖 Abstract、§3（Method：预置、场景与运动编码器、去噪解码器、多模态表示去相关）与 §6 结论，版本锚定 arXiv:2505.09315v2。

1. Definitions

入库概念（→ CPT）：

• PDMS → CPT-017：NAVSIM 评估口径（论文自报 94.85）。
• NAVSIM → BMK-006：论文称其为“闭环、面向规划的基准”。

论文内定义（未入库概念，标 CANDIDATE，不新建 CPT）：

• 轨迹与动作空间投影：轨迹为 waypoint 序列 \(x=\{s_1,\dots,s_{\mathcal T}\}\)（ego 当前坐标系）；按 TrajHF 做法把 waypoint 顺序投影到动作空间以缓解沿时间轴的异方差：\(\hat x_\tau=s_\tau-s_{\tau-1}\)、\(\hat x_1=s_1\)，\(\tau=2..\mathcal T\)；该映射可逆，轨迹由动作累加还原。
• 场景与运动编码器：场景编码器基于 Transfuser 骨干（在 navtrain 上预训练、参数冻结），图像与 LiDAR 各走独立骨干并在对应阶段经 Transformer 块做多阶段融合，输出 \(F_\text{img}\)、\(F_\text{LiDAR}\)、\(F_\text{bev}\)；动作编码器（MLP）把历史 ego 轨迹编码为 \(Emb_\text{action}\)，ego 状态编码器（MLP）把当前 ego 状态编码为 \(Emb_\text{ego}\)。条件特征组 \(feat=\{F_\text{bev},F_\text{img},F_\text{LiDAR},Emb_\text{action}, Emb_\text{ego}\}\)。
• 去噪解码器（DDPM）：以 \(feat\) 为条件，各特征经多头交叉注意力顺序融合；反向过程 \(x_{t-1}=\frac{1}{\sqrt{\alpha_t}}(x_t-\frac{1-\alpha_t}{\sqrt{1-\bar\alpha_t}} \epsilon_\theta(x_t,t,feat))+\sigma_t z\)；训练目标为预测前向过程加入的噪声，最小化 \(\|\epsilon-\epsilon_\theta(\sqrt{\bar\alpha_t}x_0+ \sqrt{1-\bar\alpha_t}\epsilon,t,feat)\|^2\)（\(\mathcal L_\text{diff}\)，MSE）。推理时并行去噪 8 步动作序列，累加还原轨迹的多个关键 waypoint。
• 多模态表示去相关（\(\mathcal L_\text{reg}\)）：在每个训练批 \(B\) 中先把多模态表示矩阵 \(\mathbf M\) 归一化（减均值除标准差，\(\epsilon=10^{-8}\) 防除零），再计算相关矩阵 \(\mathbf{corr}=\mathbf M^\top\mathbf M\)；惩罚其非对角项，使 \(\mathbf{corr}\) 逼近对角形（即消除表示不同维度间不必要的交互）。总损失为 \(\mathcal L=\mathcal L_\text{diff}+\beta\mathcal L_\text{reg}\)。论文称去相关相关计算的开销（FLOPs）不足前向过程的 1‰。

2. Axioms（作者公理：论文接受而未证明的前提）

• AX-1（模式坍缩）：既有扩散式轨迹生成模型常出现不同随机噪声收敛到相似轨迹的模式坍缩。
• AX-2（归纳偏置不可得）：缓解坍缩所用的预定义轨迹词表锚点或训练集预计算场景先验，在真实部署中不可得，构成对未见场景的泛化挑战。
• AX-3（表示质量决定规划质量）：规划性能在一定程度上取决于学到的多模态表示的质量（信息瓶颈视角）。
• AX-4（去相关改善表示利用）：消除表示维度间不必要的相关性、使相关矩阵接近对角形，可更充分地利用表示空间。

3. Theorems（作者可推导命题；本层薄）

骨架阶段占位。本文为方法型，未提出独立命题层。P3 投影时若识别出值得保留的定性命题，再实体化为 CLM 并回填 ID。

4. Evidence（实证 → CLM/EVI 映射）

骨架阶段占位（待 P3）。可用观察锚点：NAVSIM PDMS（94.85）与多样性指标 \(\mathcal D\)（沿用 DiffusionDrive 的度量）、去相关损失消融与批级敏感性研究、去相关前后相关矩阵最大奇异值可视化、开销对比（FLOPs < 1‰）。均为论文自报，无库内 EVI/VER。

5. Argument（论证结构）

• AR-1（由 AX-1 + AX-2 提出问题设定）：在无锚点、无场景先验的前提下研究缓解模式坍缩的途径。
• AR-2（由 AX-3 + AX-4 推出去相关正则）：在去噪过程中对多模态表示施加批级去相关目标，使表示空间更充分地支撑下游生成多样性。
• AR-3（动作空间生成）：以可逆投影把轨迹转为动作序列，并行去噪 8 步动作后累加还原轨迹。
• AR-4（编码器冻结）：场景编码器沿用预训练 Transfuser 骨干并冻结参数，训练负担集中在去噪解码器。
• AR-5（经验支撑）：NAVSIM PDMS 与多样性指标、消融与可视化支撑 AR-1..AR-4（属 Evidence，非证明）。

6. Commentary

作者评论

• 结论段展望：未来应让车辆生成更贴合人类驾驶指令或风格的多条轨迹，为此需强化学习式偏好优化与视觉—语言—动作架构，以在多样性与安全性间取得更好平衡；并计划在 NAVSIM v2 上探索纯视觉生成方法。

本库评论

• “闭环”口径须纠正（承重）：论文摘要与结论把 NAVSIM 称为“closed-loop planning-oriented benchmark”，但 NAVSIM 采用 log-replay 的非反应式评估（其他智能体沿记录轨迹运动），并非反应式闭环。库内口径以此为准：引用该分数时应注为“NAVSIM（非反应式）”，不得随原文措辞称其为闭环（闭环读法见 DIS-003，批评依据见 PPR-2312.03031）。
• 与 DiffusionDrive 的对立设置：DiffusionDrive 以多模锚点 + 截断扩散缓解坍缩；TransDiffuser 明确以“不用锚点、不用场景先验”为卖点，其多样性度量 \(\mathcal D\) 亦沿用 DiffusionDrive 的定义。两者构成“锚点依赖”与“锚点无关”的直接对照，比较时须对齐是否使用锚点。
• 冻结编码器的代价与收益：场景编码器冻结意味着感知质量被固定，方法的增益应归因于解码侧生成与正则；引用时不宜把感知能力计入其贡献。
• 去相关正则的可迁移性：该机制与任务无关、开销极低，论文本身也将其表述为 plug-and-play；若后续条目复用该正则，属跨卡承重引用。
• 评测域：NAVSIM（非反应式）。

7. Traceability

Review Log

• 2026-09-14 骨架起草（Tier-1 展开批次，第 19 篇）。G1 忠实度审核待人工签发（DA7）。G1 未过，P3 不得开始。