FRM-2506.08052 Formalization

0. Overview

ReCogDrive（PPR-2506.08052，小米等，ICLR 2026）处理VLM 用于驾驶决策时的语言—动作失配与模仿学习上限。论文的诊断：近期研究尝试借助视觉语言模型的世界知识与认知能力应对端到端驾驶的长尾问题，但既有方法把轨迹规划表述为语言建模任务、在语言空间输出物理动作，可能导致违反格式的输出、不可行动作与推理缓慢。ReCogDrive 通过把自回归模型与扩散规划器结合来统一驾驶理解与规划：先用一条分级数据流水线（生成—精炼—质控三阶段，模仿人类驾驶员的顺序认知过程）把人类驾驶认知灌注进 VLM；再把 VLM 学到的驾驶先验注入扩散规划器，以高效生成连续稳定的轨迹；最后引入 Diffusion Group Relative Policy Optimization（DiffGRPO） 阶段，以安全与舒适为目标强化规划器。论文报告在 NAVSIM 与 Bench2Drive 上取得最优表现，并在 DriveBench 上展示场景理解能力。

本重建覆盖 Abstract 与 §3（Methodology：预置、可扩展分级数据流水线、认知引导的扩散规划器、DiffGRPO），版本锚定 arXiv:2506.08052v2。

1. Definitions

入库概念（→ CPT）：

• PDMS → CPT-017（论文以 PDMS 作强化奖励）；NAVSIM → BMK-006；Bench2Drive → 候选（闭环基准）。

论文内定义（未入库概念，标 CANDIDATE，不新建 CPT）：

• 问题定义：给定 ego 状态 \(S_\text{ego}\)、传感输入 \(I_\text{cam}\) 与导航信息 \(L_\text{nav}\)，预测未来数秒平滑无碰撞轨迹：\(\mathbf V_\text{traj}=\Phi(I_\text{cam},L_\text{nav},S_\text{ego})\)。
• 可扩展分级数据流水线（三级）：生成（Generation）——按人类驾驶员的顺序认知过程分四级：①基础感知（静态与动态场景元素表示）、②动态理解（多智能体动力学与近邻行为预测）、③规划与推理（可执行、安全感知的驾驶计划与简要理由）、④高级推理（反事实分析与细粒度权衡评估）；客观任务用真值数据、主观标注用当时最强 VLM。精炼（Refinement）——整合开源数据集，做归一化、改写与问题模板增强以保证语言与语义一致。质控（Quality Control）——按语言准确性、视觉清晰度等自动打分与严格过滤，只保留高质量样本。
• 认知引导的扩散规划器：把语言动作空间失配问题改为“把 VLM 学到的驾驶先验注入扩散规划器”。去噪步 \(\mathbf x_{t-1}=D_\text{act}(\text{DiT}_\theta(z_t;F_h;S_\text{ego};t))\)，其中 \(z_t=\text{concat}(E_\text{act}(\mathbf x_t), E_\text{his}(\mathbf x_\text{hist}),\bar F_h)\)。
• DiffGRPO（Diffusion Group Relative Policy Optimization）：专为扩散规划器设计的 GRPO，与去噪过程紧耦合。依既有工作把扩散策略 \(\pi_\theta\) 视作内部马尔可夫决策过程（从高斯噪声逐步去噪生成完整轨迹）：\(x_T\sim\mathcal N(0,\mathbf I)\)、\(x_{t-1}\sim\pi_\theta(x_{t-1}\mid x_t)\)；采样 \(G\) 条轨迹（各为一条扩散链）；奖励不是简单的 \(L_2\) 轨迹距离，而是 NAVSIM 仿真器给出的 PDMS（聚合碰撞、可行驶区合规与舒适度）——论文称是把 NAVSIM 仿真器用于提供真实反馈的首例；把整条轨迹视作一个复合动作来做单步决策，再计算组内标准化优势 \(\hat A_i=\frac{r_i-\text{mean}(r_{1..G})}{\sqrt{\text{var}(r_{1..G})}}\)。

2. Axioms（作者公理：论文接受而未证明的前提）

• AX-1（语言建模规划的缺陷）：把轨迹规划表述为语言建模、在语言空间输出物理动作，会产生格式违规输出、不可行动作与缓慢推理。
• AX-2（VLM 的领域间隙与维度失配）：VLM 预训练数据与真实驾驶场景存在显著领域间隙，且离散语言空间与连续动作空间存在维度失配。
• AX-3（纯模仿的上限）：仅靠模仿学习有根本局限——专家演示可能多模，目标冲突时模型会学出“平均轨迹”，即便位移上贴合专家，仍常发生碰撞或驶出可行驶区。
• AX-4（认知可分阶段灌注）：人类驾驶认知可按“感知→动态理解→规划推理→高级推理”的顺序结构化，并据此构造可扩展的监督数据。

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 主表（论文自报 PDMS 90.8，纯相机设定下超 DiffusionDrive 与 WoTE 分别 2.7 与 2.5 PDMS、超此前纯视觉 SOTA（PARA-Drive）6.8 PDMS）、消融（InternVL3 仅用 NAVSIM 轨迹 83.3 → 驾驶 QA +1.7 → 扩散规划器 +2.4 → DiffGRPO 达 90.8，即 +4.3）、推理速度对比（相对文本基线 7.8× 加速且 PDMS +2.4）、Bench2Drive 与 DriveBench 结果。均为论文自报，无库内 EVI/VER。

5. Argument（论证结构）

• AR-1（由 AX-1 + AX-2 推出架构选择）：不把动作输出到语言空间，而以扩散规划器生成连续轨迹，VLM 只提供认知 token/先验。
• AR-2（由 AX-4 推出数据流水线）：以四级认知顺序 + 精炼 + 质控构造大规模驾驶 QA 数据，缓解领域间隙。
• AR-3（认知引导去噪）：把 VLM 特征作为扩散去噪的条件，实现语言潜空间到连续动作空间的稳定映射。
• AR-4（由 AX-3 推出强化阶段）：以 DiffGRPO 跳出模仿的平均化倾向，用仿真器 PDMS 作奖励强化安全与舒适。
• AR-5（工程优化）：以 SwiGLU FFN、RMS Norm、RoPE、QK Norm 等轻量改造提升速度。
• AR-6（经验支撑）：NAVSIM/Bench2Drive 结果与消融支撑 AR-1..AR-5（属 Evidence，非证明）。

6. Commentary

作者评论

• 摘要强调：以自回归模型 + 扩散规划器统一驾驶理解与规划，DiffGRPO 阶段强化安全与舒适；并在 DriveBench 上展示场景理解。

本库评论

• 强化奖励的仿真器依赖（承重）：DiffGRPO 的奖励是 NAVSIM 仿真器给出的 PDMS，即把评测器当作训练信号源。这与 Drive-JEPA 用改造后的 NAVSIM v2 规则仿真器做离线评分（PPR-2601.22032）同类；跨来源复现时须注意评测器实现差异会直接改变训练目标，且“在 NAVSIM 上进化的策略”其 NAVSIM 分数存在对评测口径的适应风险（P5 需与 scope 对齐后讨论）。
• 与文本式 VLA 的对照：论文对“语言空间输出动作”的三条批评（格式违规、不可行、慢）可与 Latent-CoT-Drive（PPR-2512.10226）对文本 CoT 的批评互参——两者都主张把动作表达移出自然语言，但本卡移向扩散连续空间、后者移向动作对齐的离散潜语言。
• DiffGRPO 的“单步决策”简化：把整条轨迹视作复合动作、用单步 bandit 式优势估计，回避了扩散链上的逐步信用分配；该简化对长时程信用分配的影响论文未展开。
• 消融链条的价值：从 83.3 → 90.8 的四段增量（QA 数据 / 扩散规划器 / RL / 速度优化）给出了各组件贡献的显式分解，便于库内引用归因。
• 评测域：NAVSIM（非反应式，含 PDMS 与仿真奖励）与 Bench2Drive（闭环）；引用分数须注明基准。

7. Traceability

Review Log

• 2026-09-14 骨架起草（Tier-1 展开批次，第 36 篇）。G1 忠实度审核待人工签发（DA7）。G1 未过，P3 不得开始。