FRM-2601.05083 Formalization

0. Overview

Driving on Registers（PPR-2601.05083，Valeo AI 等，2026）提出面向端到端驾驶的简单高效 transformer 架构。方法基于预训练视觉 transformer（ViT），引入相机感知的 register token，把多相机特征压缩成紧凑的场景表示，在不牺牲精度的前提下显著降低下游计算量。这些 token 驱动两个轻量 transformer 解码器：先生成候选轨迹、再对其打分。打分解码器学习模仿一个 oracle 并预测可解释的子分数（代表安全、舒适、效率等方面），从而在推理期支持行为条件的驾驶。论文报告：尽管设计极简，该方法在 NAVSIM-v1、NAVSIM-v2 与光真实闭环 HUGSIM 基准上超过或匹配强当代基线；结果表明纯 transformer 架构配合有针对性的 token 压缩足以实现准确、高效且自适应的端到端驾驶。

本重建覆盖 Abstract 与 §3（Method：简单设计、感知编码器、轨迹、打分、最终训练损失），版本锚定 arXiv:2601.05083v1。

1. Definitions

入库概念（→ CPT）：

• PDMS → CPT-017（v1/v2 口径）；NAVSIM → BMK-006；HUGSIM → PPR-2412.01718（光真实闭环基准，用作评测设施）。

论文内定义（未入库概念，标 CANDIDATE，不新建 CPT）：

• 感知编码器（相机感知 register token）：对每路相机，把 \(R\) 个相机 register（维度 \(D_\text{ViT}\)）与已有 register、分类 token、patch token 一并送入 ViT；在 ViT 末层取回这 \(R\) 个相机 token；把 \(N\) 路相机的 token 归组得 \(N\times R\) 个场景 token。register 是逐相机初始化的（\(N\times R\) 个），故场景 token 是相机感知的（模型可区分某 token 来自前/左/右相机）。该压缩与 Perceiver 思路相近，差别在于 Perceiver 用交叉注意力压缩、需改动架构；本方法直接用预训练 ViT 初始化并以 LoRA 微调主干，从而学得“视觉到 register”的压缩，参数更少、训练更快。
• 轨迹解码器：标准 transformer 解码器（\(k\) 个块，每块自注意力 + 对场景 token 的交叉注意力 + FFN，含残差）；输入为一组可学轨迹查询 \(\mathcal Q_\text{traj}\)（随机初始化、训练中学得），ego 状态（位姿、速度、加速度、驾驶命令）编码后加到查询上；末端以 MLP 把轨迹 token 解码为 \(|\mathcal Q_\text{traj}|\) 条候选轨迹。每条轨迹为 \(n_p\) 个位姿 \((x,y,\theta)\)，自当前时刻之后延至未来 \(T\)，全部在 ego 局部坐标系下，相邻位姿时间间隔均匀。
• 打分解码器：架构同上，学习模仿 oracle 并输出可解释子分数（安全、舒适、效率等），用时选优并支持推理期的行为条件驾驶。
• 最终训练损失：论文 §3.5 给出组合损失（含轨迹监督与分数监督）。

2. Axioms（作者公理：论文接受而未证明的前提）

• AX-1（简洁高效的必要性）：端到端驾驶需要简单且高效的架构（作者以极简设计为目标，并以此为卖点）。
• AX-2（预训练权重与计算约束并重）：应复用预训练 ViT 权重；同时须限制解码器的输入规模，以把计算复杂度约束在可接受范围。
• AX-3（可解释子分数支撑自适应）：打分器应模仿 oracle 并给出可解释的子分数，从而支持行为条件的驾驶与推理期的可调偏好。
• AX-4（纯 transformer 足够）：纯 transformer 架构配合有针对性的 token 压缩，足以实现准确、高效且自适应的端到端驾驶。

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 与 NAVSIM-v2 的规划结果、HUGSIM 闭环基准上的结果、register 数与压缩比的消融、计算量/参数对比、以及行为条件驾驶的定性展示。均为论文自报，无库内 EVI/VER。

5. Argument（论证结构）

• AR-1（由 AX-2 推出编码器设计）：以逐相机 register 把多相机特征压成 \(N\times R\) 个场景 token，并以 LoRA 微调预训练 ViT，兼顾权重复用与下游计算约束。
• AR-2（生成—打分两段）：轻量轨迹解码器生成候选，打分解码器模仿 oracle 输出可解释子分数并选优。
• AR-3（由 AX-3 推出行为条件）：子分数的可解释性使推理期可按行为偏好（安全/舒适/效率）调节选择。
• AR-4（由 AX-4 推出设计哲学）：整体保持纯 transformer + 定向压缩，不引入复杂模块。
• 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：极简设计即可在三个基准上超过或匹配强基线，说明纯 transformer + 定向 token 压缩已足以支撑准确、高效、自适应的端到端驾驶。

本库评论

• 承重交叉引用（HUGSIM 作为评测设施）：本卡在光真实闭环 HUGSIM（PPR-2412.01718）上评测，是库内 HUGSIM 被外部来源用作闭环评测的实例之一；引用其闭环结论时应回溯 HUGSIM 卡以确认口径（3DGS 重建 + 闭环交互）。
• 与“词表/锚点 + 打分”路线的对照：本卡的候选由可学查询直接生成（随机初始化的轨迹查询），而非来自 K-Means 词表或锚点；与 ResAD 的“惯性参考扰动”（PPR-2510.08562）同为“不以固定词表定义候选”的做法，但机制不同（可学查询 vs 物理先验扰动），比较时须区分。
• 行为条件驾驶的定位：可解释子分数使推理期可调行为偏好，这与 ReCogDrive 的“以 PDMS 为 RL 奖励”（PPR-2506.08052）、DIVER 的“多样性 + 安全奖励”（PPR-2507.04049）形成三种“把偏好写进目标”的不同位置：本卡写在推理期选择，而两者写在训练期奖励。
• Register token 的方法来源：视觉 register 出自 ViT 相关既有工作；本卡的新意在其逐相机初始化带来的相机感知性，引用时须带该限定。
• 评测域：NAVSIM v1/v2（非反应式）与 HUGSIM（闭环）并列。

7. Traceability

Review Log

• 2026-09-14 骨架起草（Tier-1 展开批次，第 50 篇）。G1 忠实度审核待人工签发（DA7）。G1 未过，P3 不得开始。