FRM-2510.08562 Formalization

0. Overview

ResAD（PPR-2510.08562，2025）处理轨迹数据的固有时空不平衡。论文的诊断：端到端自动驾驶系统直接从传感数据学习预测未来轨迹，但轨迹数据本身存在固有的时空不平衡，这造成显著的优化负担——模型学到的常是伪相关而非鲁棒的驾驶逻辑 ，并且会偏重不确定的远距预测，从而损害即时安全。ResAD 提出归一化残差轨迹建模（Normalized Residual Trajectory Modeling）：不直接预测未来轨迹，而是把学习任务重构并简化为预测相对一个确定性惯性参考（inertial reference） 的残差偏离。该惯性参考充当强物理先验，迫使模型超越简单模式匹配，把容量集中到学习必要的、情境驱动的偏离（如交通规则、障碍物）上。为缓解不确定长时程 horizon 造成的优化不平衡，ResAD 进一步对预测残差施加逐点归一化（Point-wise Normalization），重新加权优化目标，避免远距不确定 waypoint 的大幅误差主导学习信号。论文报告在 NAVSIM v1/v2 上以仅两步去噪取得 88.8 PDMS 与 85.5 EPDMS。

本重建覆盖 Abstract 与 §3（Methodology：预置、归一化残差轨迹建模、多模轨迹排序器），版本锚定 arXiv:2510.08562v1。

1. Definitions

入库概念（→ CPT）：

• PDMS → CPT-017（v1）与 EPDMS（v2，见 BMK-006）；NAVSIM → BMK-006。

论文内定义（未入库概念，标 CANDIDATE，不新建 CPT）：

• 惯性参考（inertial reference）：由恒速模型从 ego 当前状态外推得到的确定性基线轨迹，作为残差预测的物理先验锚点；论文把任务重构为预测 \(\tau_\text{gt}\) 相对该参考的残差。
• 逐点残差归一化（PRNorm, Point-wise Residual Normalization）：残差建模虽缓解了整体尺度问题，但残差自身在不同时间点的尺度仍不一致；PRNorm 对每个向量 \(r_t\) 的每个分量 \(r_t^d\) 做逐点变换，把输出约束到对称区间 \([-\gamma,\gamma]\)（\(\gamma\) 为该区间界），从而重新加权优化目标，抑制远距不确定 waypoint 的大误差主导。
• 惯性参考扰动（多模生成）：驾驶本质是多模任务，而多数方法依赖固定轨迹词表、其中多数选项与当前场景无关（效率低）。ResAns 改为对惯性参考施加扰动：对初始速度施加 \(K\) 个零均值多元高斯扰动 \(\boldsymbol\delta_{\mathbf v,k}\sim\mathcal N(\mathbf 0,\boldsymbol\Sigma)\)（协方差 \(\boldsymbol\Sigma=\text{diag}(\sigma_{vx}^2,\sigma_{vy}^2)\) 控制纵向/横向方差、定义初始假设的探索范围），与原速度相加后经恒速模型传播，得 \(K\) 条互异的惯性参考 \(\{\tau_{\text{ref},k}\}_{k=1}^K\) 与对应残差 \(\{r_k\}_{k=1}^K=\{\tau_\text{gt}-\tau_{\text{ref},k}\}\)。该做法双重收益：生成多样的意图假设，并迫使模型应对 GPS/IMU 等 ego 传感噪声。
• 扩散解码器与多模排序器：扩散解码器以交叉注意力融合编码器特征并以惯性参考信息为条件引导生成；另设多模轨迹排序器从候选中选最终轨迹。

2. Axioms（作者公理：论文接受而未证明的前提）

• AX-1（数据不平衡的后果）：轨迹数据的固有时空不平衡造成显著优化负担，使模型学得伪相关而非鲁棒驾驶逻辑，并偏重不确定的远距预测、损害即时安全。
• AX-2（惯性参考是强先验）：以恒速模型给出的确定性惯性参考作为基线，可迫使模型超越模式匹配、专注于情境驱动的偏离。
• AX-3（残差的尺度问题仍在）：残差建模缓解了整体尺度差异，但残差自身在不同时间点的尺度不一致问题依然存在，需逐点归一化。
• AX-4（固定词表的低效）：多数方法依赖固定轨迹词表，而其中大部分选项与当前场景无关，造成低效。
• AX-5（ego 传感含噪）：GPS/IMU 等 ego 传感含噪，对惯性参考施加扰动可同时提升鲁棒性与多模性。

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 v1/v2 主表（88.8 PDMS / 85.5 EPDMS，仅两步去噪）、残差建模与 PRNorm 的消融、扰动数 \(K\) 与方差超参的影响、去噪步数对比。均为论文自报，无库内 EVI/VER。

5. Argument（论证结构）

• AR-1（由 AX-1 + AX-2 推出残差重构）：以惯性参考为基线预测残差，把学习容量从整体轨迹尺度转移到情境驱动的偏离。
• AR-2（由 AX-3 推出 PRNorm）：以逐点归一化重新加权目标，抑制远距大误差主导。
• AR-3（由 AX-4 + AX-5 推出扰动式多模）：以速度扰动生成惯性参考簇取代固定词表，既得多样性又增强对传感噪声的鲁棒性。
• AR-4（生成与选择分离）：扩散解码器条件生成候选，多模排序器选最终轨迹。
• AR-5（经验支撑）：NAVSIM v1/v2 结果与消融支撑 AR-1..AR-4（属 Evidence，非证明）。

6. Commentary

作者评论

• 摘要称该方法显著简化了学习任务并提升规划性能。

本库评论

• 对固定词表路线的直接否定（承重）：ResAD 明确主张“多数方法依赖固定轨迹词表、其中多数选项与当前场景无关”，这与 SparseDriveV2（PPR-2603.29163）“足够稠密的静态词表即可”构成正面对立；两者对“候选从何而来”的立场不同，引用时应成对出现（本卡不预判，按 D12 待 scope 对齐后由人工裁决）。
• 物理先验 vs 学习先验：惯性参考来自运动学外推，是无参数物理先验；而 DiffusionDrive 的锚点、GTRS 的词表均来自数据聚类。该区分是引用这些方法时最易混淆之处。
• 仅两步去噪：论文以两步去噪取得其结果，说明残差 + 归一化显著降低了生成难度；该“少步数”事实可用于与其他扩散规划器的效率对比，但须同时对齐骨干与训练设置。
• PRNorm 的边界参数：\(\gamma\) 决定输出区间，是影响残差可表达范围的关键超参，引用其效果时应带上该设置。
• 评测域：NAVSIM v1/v2（非反应式）。

7. Traceability

Review Log

• 2026-09-14 骨架起草（Tier-1 展开批次，第 38 篇）。G1 忠实度审核待人工签发（DA7）。G1 未过，P3 不得开始。