FRM-2507.04049 Formalization

0. Overview

DIVER（PPR-2507.04049，2025）处理模仿学习所致的模式坍缩与行为同质。论文的诊断：端到端自动驾驶方法多依赖单条专家演示做模仿学习，常导致保守、同质的驾驶行为，难以泛化到复杂真实场景；而既有的多模方法也未能解决模仿学习中的多样性丧失——生成的多模轨迹过度依赖单一真值轨迹并聚拢在其周围，即模式坍缩。DIVER 把基于扩散的多模轨迹生成与强化学习结合，以产出多样、安全且目标导向的轨迹：首先由模型条件于地图元素与周围智能体，从每条真值参考轨迹出发生成多条参考轨迹，以克服单模模仿的固有限制；其次把扩散过程视为随机策略，用组相对策略优化（GRPO）目标引导扩散，通过优化轨迹级的多样性与安全性奖励直接缓解模式坍缩、增强避碰并鼓励超越专家演示的探索；此外，针对以 L2 为主的开环指标无法刻画多模预测多样性的问题，论文提出一个新的轨迹多样性度量。实验在闭环 NAVSIM 与 Bench2Drive、以及开环 nuScenes 上展开。

本重建覆盖 Abstract、§3（Preliminary）与 §4（DIVER：总体架构、PADG、用于轨迹规划的强化学习），版本锚定 arXiv:2507.04049v1。

1. Definitions

入库概念（→ CPT）：

• NAVSIM → BMK-006、PDMS → CPT-017；Bench2Drive → 候选；nuScenes → 候选。

论文内定义（未入库概念，标 CANDIDATE，不新建 CPT）：

• 三类范式的对照（论文的动机图结构）：（a）模仿式单模轨迹规划（如 UniAD/VAD/TransFuser）预测确定轨迹但缺动作多样性、有安全风险；（b）模仿式多模轨迹规划（如 SparseDrive/VADv2/DiffusionDrive）仍未解决多样性丧失，生成的多模轨迹过分依赖单一真值而聚拢在其周围；（c）DIVER 以强化扩散做多模生成，鼓励产生多样驾驶行为而非僵化跟随单一专家。
• 策略感知扩散生成器（PADG）：以地图元素与周围智能体为条件，在单条真值轨迹与轨迹锚的引导下生成多样的多模轨迹与多个参考真值（multiple Reference GTs），以捕捉不同驾驶风格。
• 用于轨迹规划的强化学习：把扩散过程视为随机策略，采用 GRPO 目标（原文写作 GPRO，属笔误）引导扩散；轨迹级奖励同时含多样性与安全性两项，用以直接缓解模式坍缩、增强避碰、鼓励超越专家演示的探索，并保持物理可行。
• 多样性度量（Diversity metric）：为刻画多模预测的多样性而新提出的指标，针对 L2/L1 类开环指标与“生成多样性”之间的错配。

2. Axioms（作者公理：论文接受而未证明的前提）

• AX-1（单模模仿的代价）：依赖单条专家演示的模仿学习导致保守且同质的驾驶行为，难以泛化到复杂多样的真实场景。
• AX-2（多模方法仍有坍缩）：既有多模方法生成的轨迹仍过度依赖单一真值并聚拢其周围，未解决模仿学习内在的多样性丧失。
• AX-3（指标与目标错配）：以 L2 距离为主的既有开环评估指标，与轨迹生成对多样性的内在要求不一致，无法体现多样性。
• AX-4（扩散即随机策略）：扩散过程可视为随机策略，因而可被强化学习目标引导。

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：闭环 NAVSIM 与 Bench2Drive、开环 nuScenes 上的规划结果、多样性度量的对比、PADG 与 RL 项的消融。均为论文自报，无库内 EVI/VER。

5. Argument（论证结构）

• AR-1（由 AX-1 + AX-2 推出强化扩散路线）：以 RL 引导扩散生成，使多样性成为被优化的显式目标而非仅靠模仿分布。
• AR-2（PADG 的结构性改动）：由单一真值与轨迹锚引导生成多个参考真值，为多模生成提供分离的模仿目标，从数据侧缓解聚拢。
• AR-3（由 AX-4 推出 GRPO 引导）：把去噪链视作随机策略，用组相对目标优化轨迹级多样性与安全奖励。
• AR-4（由 AX-3 推出新指标）：以多样性度量补足 L2 类指标的盲区。
• AR-5（经验支撑）：三基准结果与消融支撑 AR-1..AR-4（属 Evidence，非证明）。

6. Commentary

作者评论

• 摘要：DIVER 在三个基准上显著提升轨迹多样性，有效应对模仿学习的模式坍缩问题。

本库评论

• 与 ReCogDrive 的对照（承重）：两文都用 GRPO 引导扩散规划（ReCogDrive 见 PPR-2506.08052），但奖励来源不同——ReCogDrive 用 NAVSIM 仿真器的 PDMS、DIVER 用多样性 + 安全的轨迹级奖励。两者构成“用评测器作奖励”与“自定义奖励”的对照轴；同时注意后者的多样性奖励是自建指标，其与 PDMS 的关系（是否互斥）需 scope 对齐后讨论。
• 多样性度量的谱系：论文提出的多样性度量与 DiffusionDrive 的 diversity 定义同域；TransDiffuser（PPR-2505.09315）在报告多样性时明确沿用 DiffusionDrive 的定义——三个条目涉及同名指标，引用时须注明各自定义，不可互认数值。
• “多个参考真值”是数据侧改动：它为多模生成提供了分离的模仿目标，但本身仍来自真值轨迹的重构（由单 GT + 锚引导），因此不构成“超越真实数据分布”的多样性来源；真正的探索来自 RL 项。
• 评测跨三类基准：NAVSIM 与 Bench2Drive（闭环）、nuScenes（开环），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 37 篇）。G1 忠实度审核待人工签发（DA7）。G1 未过，P3 不得开始。