FRM-2510.04333 Formalization

0. Overview

RAP（Rasterization Augmented Planning，PPR-2510.04333，2026）处理模仿学习在闭环下的脆弱性。论文的诊断：端到端驾驶的模仿学习仅在专家演示上训练策略，一旦部署到闭环就缺少恢复数据——小错误无法被纠正并迅速累积为失效；同一条训练数据在开环评估下有效，却受协变量偏移所困。自然的解法是用合成场景增强训练，以生成记录轨迹之外的替代视角与轨迹；既有工作探索用神经渲染（NeRF、3DGS）或游戏引擎构建光真实数字孪生，但这些方法过慢过贵，实际多被限于策略评测。本篇的核心主张是：训练端到端规划器并不需要光真实；真正重要的是语义保真与可扩展性——驾驶依赖几何与动力学，而非纹理或光照。据此提出 3D 栅格化（以对标注图元的轻量栅格化取代昂贵渲染），支持反事实恢复机动、跨智能体视角合成等增强；并引入 Raster-to-Real 特征空间对齐以在特征空间弥合 sim-to-real 差距。二者与增强流水线共同构成 RAP。论文报告其在四个主要基准上排名第一：NAVSIM v1/v2、Waymo Open Dataset 基于视觉的端到端驾驶、以及 Bench2Drive。

本重建覆盖 Abstract 与 §3（3D Rasterization Augmented Planning：3D 栅格化、基于栅格化的数据增强、Raster-to-Real 对齐），版本锚定 arXiv:2510.04333v1。

1. Definitions

入库概念（→ CPT）：

• NAVSIM → BMK-006、PDMS → CPT-017；Waymo Open Dataset 与 Bench2Drive → 候选（库内暂无对应卡）。

论文内定义（未入库概念，标 CANDIDATE，不新建 CPT）：

• 3D 栅格化（3D Rasterization）：以对标注图元（primitives）的轻量栅格化取代逐像素渲染，作为合成视图的来源；其成本远低于神经渲染或引擎仿真。
• 基于栅格化的数据增强：由栅格化支撑的增强，含反事实恢复机动（构造原日志之外的恢复行为）与跨智能体视角合成（把视角迁移到其他智能体）——这些增强正是模仿学习所缺的“恢复数据”。
• Raster-to-Real 对齐：在特征空间（而非像素空间）对齐合成视图与真实视图，以弥合 sim-to-real 差距；论文强调这是把合成视图有效迁移到真实部署的关键。
• RAP 流水线：上述组件合成的可扩展规划数据增强流水线。

2. Axioms（作者公理：论文接受而未证明的前提）

• AX-1（模仿学习缺恢复数据）：仅在专家演示上训练的模仿学习策略在闭环部署后缺少恢复数据，小错误无法纠正且迅速累积；开环有效不蕴含闭环稳健。
• AX-2（合成增强是自然解法）：用合成场景增强训练，以生成记录轨迹之外的替代视角与轨迹（反事实增强与闭环训练），是应对该问题的主要方向。
• AX-3（光真实的代价）：光真实数字孪生（神经渲染或引擎仿真）虽视觉保真高，但过慢过贵，难以支撑大规模训练，实务上多限于策略评测。
• AX-4（光真实非必要）：训练端到端规划器不需要光真实；重要的是语义保真与可扩展性——驾驶依赖几何与动力学，而非纹理与光照。

3. Theorems（作者可推导命题；本层薄）

骨架阶段占位。本文为方法/数据增强型，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（如“训练保真度需求低于评测保真度需求”），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：四个基准（NAVSIM v1/v2、Waymo 视觉端到端驾驶、Bench2Drive）上的排名与指标、增强类型（反事实恢复机动、跨智能体视角合成）的消融、Raster-to-Real 对齐的有无对比、以及与光真实管线在速度/成本上的对比。均为论文自报，无库内 EVI/VER。

5. Argument（论证结构）

• AR-1（由 AX-1 + AX-2 推出增强路线）：以合成数据补足模仿学习缺失的恢复样本。
• AR-2（由 AX-3 + AX-4 推出栅格化替代）：以轻量 3D 栅格化替代光真实渲染，使增强可规模化到训练。
• AR-3（增强内容）：栅格化支撑反事实恢复机动与跨智能体视角合成，直接针对“缺少恢复数据”的根因。
• AR-4（特征空间对齐）：以 Raster-to-Real 在特征空间对齐合成与真实视图，控制 sim-to-real 差距。
• AR-5（经验支撑）：四个基准上的结果与消融支撑 AR-1..AR-4（属 Evidence，非证明）。

6. Commentary

作者评论

• 摘要结论：轻量栅格化配合特征对齐足以支撑端到端训练规模化，为光真实渲染提供了一个实用的替代方案。

本库评论

• 对库内仿真设施用途划分的直接贡献（承重）：本卡明确论证“光真实训练不必要、但评测需要保真”——这为库内仿真/生成设施提供了用途判别准则：HUGSIM（PPR-2412.01718）、NeuroNCAP（PPR-2404.07762）、DriveArena（PPR-2408.00415）、UniSim（PPR-2308.01898）等以保真为核心的设施，其成本只在评测上被证明必要；用于训练则应考虑栅格化一类轻量路线。该准则可直接支持库内“评测设施 vs 训练设施”的分类。
• 与数据增强类方法的对照：CAT（PPR-2310.12432）以环境生成补足安全关键场景、RAP 以栅格化增强补足恢复数据；前者面向安全关键、后者面向恢复能力，缺口的类型不同（引用时应按缺口分轴）。
• “1st on four benchmarks”的时效性：属带时点的排行榜类自报声明，按库内纪律须注明来源与时间，不可作为长期事实。
• 特征空间对齐的隐含假设：在特征空间而非像素空间对齐，意味着下游模型的特征空间被当作对齐的公共坐标；若更换骨干，该对齐需重做。
• 评测域：NAVSIM v1/v2、Waymo、Bench2Drive 四基准并列。

7. Traceability

Review Log

• 2026-09-14 骨架起草（Tier-1 展开批次，第 51 篇，该批次收尾）。G1 忠实度审核待人工签发（DA7）。G1 未过，P3 不得开始。