> 变更对象：阶段② Prior Activation（原 FiLM + Direction Routing，已验收定版，降级为 baseline 保留） > 核心变更一句话：不再训练网络去"改写危险场"，而是训练网络去"想象一辆会引发事故的车"，危险场由阶段①已有的物理计算程序对加入这辆车之后的场景重新算出来。
1. 为什么要改：旧设计的三个根本问题
旧方案（FiLM + Direction Routing）的工作方式是：先由阶段①跑出一张正常世界的危险地图 H，然后根据事故类型对这张图做"后加工"——FiLM 负责整体调强调弱，Direction Routing 负责按手工设定的方位原型把风险核挪到某个方向、把方向箭头硬拧过去。
这样做有三个绕不开的问题：
第一，监督信号是人画的，不是算出来的。 训练数据的制造方式是"在已有危险场上按类别贴一个人工高斯核"。这张贴上去的图案与真实路况、相对速度、碰撞时间完全脱钩——无论场景里是空旷高速还是拥堵路口，"追尾"贴的都是同一张圆形图案。网络学到的只是"类别 → 固定图案"的查表关系。
第二，智能在规则里，网络只是模仿者。 真正决定"追尾的危险区长什么样"的是人写的那套贴核规则，FiLM 和路由网络只是在蒸馏这套人写的规则。答辩时很容易被追问：这和直接规则后处理有什么本质区别？技术含量体现在哪？
第三，有治不好的已知缺陷。 侧碰（side_swipe）对文本不敏感、路口转向（intersection_turn）方向不确定，这两个缺陷的根因在于方向信息来自手工符号原型的路由，而非从场景几何中导出——补丁式的修复解决不了结构性问题。
2. 新方案的核心思想
新方案把"激活危险先验"这件事的数学本质重新想了一遍：
危险场 H 本来就是"场景运动学"的函数——阶段①的伪标签计算程序（labeler）就是这句话的实体化：给它场景里各个目标的位置和速度，它就能精确算出哪里危险、多危险、朝哪来。
那么，"让场景发生一场追尾事故"的正确操作，就不是去篡改这个函数的输出值（改场），而是去修改这个函数的输入（改场景）——在场景里放入一辆会从后面冲上来的车，然后让同一套物理程序自己算出新的危险场。
由此，网络的学习任务彻底改变了：
- 旧任务：看到"追尾"二字 → 学会在图上画一个圆形贴纸（查表，无技术含量）；
- 新任务：看懂当前路况 + 听到"追尾" → 在合适的车道位置、以合适的速度差，想象出那辆冲过来的车（需要理解语义、理解场景几何、理解运动学）。
车一旦被想象出来，剩下的事——rollout 未来 10 帧的轨迹、栅格化进场景、重新计算危险场——全部由现成的、确定性的程序完成，不需要任何新的学习。
一句话口径：旧方案直接篡改计算结果，新方案修改输入、让结果由物理规则自己算出来。把危险"演出来"，而不是"画上去"。
3. 与旧设计的逐项对比
| 维度 | 旧设计（FiLM + Routing） | 新设计（方案 A） |
|---|---|---|
| 监督数据的制造 | 在危险场上按类别贴人工高斯核 | 注入虚拟危险车 → 推演轨迹 → 物理程序重算危险场 |
| 网络学什么 | 场→场的图案改写 | 场景+语义 → 危险代理的参数分布 |
| 危险区的形状来源 | 人画的对称圆形模板 | 由相对速度和碰撞时间解析决定，自然呈现沿逼近路径延展的"脊线" |
| 与真实场景的关系 | 完全脱钩（全局调强调弱） | 深度耦合：必须落在真实车道上、与场景中已有风险源按规则比大小 |
| 方向场的来源 | 向手工方位原型硬拧 | 逐帧指向虚拟车的真实位置，是几何的推论 |
| 时间维 | 一张静态图 | 10 帧完整演化过程：危险随碰撞时间压缩而逐步逼近、加浓 |
| 结果多样性 | 一种类别一种图案 | 同一语义可采样多种合理想象，叠加扩散随机性，天然多模态 |
| 新增训练参数 | 百万级（FiLM + 嵌入 + 路由） | 同量级（一个输出低维参数分布的小网络） |
| 冻结清单 | 先验、labeler、扩散主干全冻结 | 完全不变 |
| 已知缺陷 | side_swipe 文本聋、intersection_turn 方向不定 | 方向由代理几何自动导出，两个缺陷在结构上消失 |
| 答辩软肋 | 易被质疑"规则蒸馏" | 逻辑闭环清晰：想象代理 → 物理计算 → 场 |
4. 监督数据什么样
每条样本为四元组：
{ S: 真实历史占用序列 (T=10, 2, 200,200,20)，nuScenes 取历史窗
(c, text): 事故语义，9 类（DoTA 体系）+ 模板/LLM 扩写
θ*: 危险代理真值参数（见 §3，同一样本可挂多个合法 θ*）
(S′, H′): 反事实场景 + labeler 重算场（生成时顺带产出，免费） }
每条训练样本包含四样东西：
一是真实历史场景。 从 nuScenes 正常驾驶数据里取一段历史窗口（10 帧的占用体素序列），这就是"当前路况"，原样使用，不做任何篡改。
二是事故语义。 事故类型标签（沿用 DoTA 的 9 类体系）配上文字描述，文字由模板生成加 LLM 扩写，保证表达多样性。
三是虚拟危险车的真值参数。 这辆车的全部身份信息：它是什么（轿车/卡车/行人/自行车）、出现在哪、朝哪开、开多快、怎么加减速。同一句话、同一段路况往往对应多辆都合理的车，所以一条样本可以挂多组真值参数——这是"一对多"监督，为后面的多模态打基础。
四是重算出的标准危险场。 把虚拟车放进场景、推演 10 帧后，用阶段①的 labeler 原样重算，得到新的危险场 H′。这份监督信号是"免费的"——它是物理程序的输出，不需要任何人工标注，却带有真实结构：危险区沿逼近路径延展成脊线、浓度由速度差决定、与场景中已有车辆按"谁威胁大谁显眼"的规则竞争、方向箭头逐帧指向车的真实位置。
监督信号分三层：
- 参数层（主力）：让网络预测的车参数逼近真值参数。这是主要的学习信号，直接、稳定；
- 场层（免费的精确校验）：让"网络想象的车经过物理程序算出的场"逼近"真值车算出的场"。这层信号通过可微分的轨迹推演链路回传，校验的是最终结果的正确性；
- 真实事故校准层（少量真实数据纠偏）：合成数据的参数先验毕竟是人设定的，可能与真实事故分布有偏差。用 DoTA/CCD 等真实事故数据集中异常目标的逐帧轨迹，校准网络输出的参数分布。这一层顺手把项目原有的软肋——"near-miss 分布不等于事故分布"——变成了主动校准机制，答辩口径更硬。
此外还有一类旧方案根本无法表达的负样本：注入一辆车但最终避让成功（它刹车了或转向了）。此时算出的危险场呈现"先冲高、后回落"的形态，教网络区分"险情"和"事故"的边界——这正是危险可供性研究里最有价值的细粒度监督。
数据规模不成问题：生成器和已有的伪标签管线同源，可无限量合成；四千多条训练序列，每条历史窗口可以宿主多种不同的注入方案，轻松铺出数十万条配对。
5. 危险代理的参数化
虚拟车由十几个参数完整描述，分为身份、位置、运动三部分：
身份：类别（机动车/行人/自行车，决定尺寸档位和动力学模型）与尺寸（轿车/SUV/卡车 2~3 档）。
位置与朝向：在 ego 坐标系中的生成位置和车头朝向。硬性约束是必须落在可行驶区域内、朝向与所在车道方向基本一致（逆行类事故单独建类处理）。
运动：初速度、一条简单的加速度曲线（2~3 个控制点参数化，决定逼近与撞击的时序节奏）、横向偏移率（切入类事故必需，直行类为零）。
| 参数 | 符号 | 类型 | 说明 / 合法范围 |
|---|---|---|---|
| 代理类别 | cls | 离散 | vehicle / pedestrian / cyclist（决定尺寸与动力学模型） |
| 生成位置 | x, y | 连续 | ego 系，须在 drivable area / 车道内（map API 校验） |
| 朝向 | yaw | 连续 | 与车道方向夹角 < 30°（逆行类事故除外，单列） |
| 初速度 | v₀ | 连续 | 0 ~ 1.6 × v_ego，行人/非机动车用类别先验 |
| 加速度/TTC 曲线 | a(t) 或 TTC_profile | 连续(低维) | 决定逼近/撞击时序；2~3 个控制点参数化 |
| 横向偏移率 | ẏ | 连续 | cut-in / side_swipe 必需，其余可为 0 |
| 尺寸 | l, w, h | 离散档 | 按 cls 取 2~3 档（轿车/SUV/卡车） |
维度合计约 10~15 维连续量 + 2 个离散量，适配 CVAE / 低维扩散头。
按事故类型设定采样先验（初始值，后续由真实事故数据校准）：
- 追尾：在 ego 正后方同车道 15
40 米处生成，初速度为 ego 的 1.21.5 倍，速度差自然形成逼近； - 侧向切入：在相邻车道的并行位置生成，带一个横向速度剖面，切入的缓急由加速度曲线控制；
- 路口转向：在前方路口的横向来向生成，沿弧线轨迹行驶；
- 行人/非机动车：在道路两侧生成，朝横穿马路的方向匀速移动。
6. 可行性检查（注入前的硬性过滤）
每辆想象出来的车在进入场景前必须通过全部检查，任一不过则重新采样：
- 生成位置落在可行驶区域内，且与具体车道关联；
- 推演的全部 10 帧中，与场景里已有车辆无穿模；
- 轨迹全程不离开道路拓扑（路口场景允许横穿）；
- 与 ego 的碰撞时间落在预测窗口之内——保证"事故在画面里发生"；
- 逼近速度为正值且超过最小阈值（沿用项目现有的碰撞时间计算口径）；
- 不遮挡、不改动 ego 本体的占用（ego 盖章逻辑原样保留）；
- 车的类别与场景语义一致（行人不出现在封闭高速路段等）；
- 同一样本注入多辆车时，车与车之间保持最小安全间距（串行注入防止互扰）。
7. 推理链路的工作原理
整条链路分数据生成和训练推理两种运行模式，共用同一套核心逻辑。
轨迹推演：给一辆虚拟车的全部参数，按最基础的运动学公式逐帧推算未来 10 帧的位置——每一帧根据当前速度和加速度更新位置与速度，有转向需求的沿弧线走。机动车用匀加速加转向模型，行人和自行车用匀速模型。10 帧即未来 5 秒。这是一个确定性的计算过程，没有任何学习成分。
进入场景：把推演得到的逐帧车体位置"画进"占用体素。这里设计两种模式——生成训练数据时用硬栅格化（车体占的格子就是占，精确利落）；训练网络时用软栅格化（车体足迹用平缓的高斯过渡），这是为了让梯度能够穿过这一环节回传到网络的参数上，是整条链路可微的关键技巧。
重算危险场：把加入虚拟车的新场景原样交给阶段①的 labeler——同一套函数、一行不改。虚拟车的速度由它的轨迹序列直接给出，不需要重新估计。这一步产出最终的新危险场。
一致性保障（硬约束）：重算所用的 labeler 必须与阶段①制作伪标签的是同一个函数，验收标准里包含专门的一致性测试——同一个场景，离线管线和在线链路两处算出的结果必须逐位一致。这保证了"学出来的先验"和"算出来的激活场"刻度相同、可以直接比较和拼接。
梯度链路：从网络输出的参数出发，经过轨迹推演、软栅格化、再到 labeler 算出危险场，损失信号的梯度沿这条链一路回传到网络。labeler 里少数不可微的环节（截断、取最大值的竞争操作）用直通估计绕过，并在工程文档中记录在案。为稳妥起见，场层损失只作辅助，参数层损失为主力。
8. 多模态 K=3~4 从哪来
一个自然的疑问是：物理程序是确定性的，给定一辆车只能算出一张场，那多样性从哪来？
答案是：确定性的是物理，随机性的是想象。 多模态有两个来源，分工明确：
第一层，语义级多样性（来自参数采样）。 "追尾"这个语义只约束"得有辆车从后面逼近"，并不约束这辆车具体在哪、多快——正后方快车、侧后方慢车、近距小速度差，都是合法答案。网络学的是参数的分布而非单点，推理时从这个分布里采 K 个样本，就是 K 辆不同但都合理的车，进而得到 K 张不同的危险场。这决定了事故之间"质"的差别：谁来撞、从哪来、多快。
第二层，细节级多样性（来自扩散模型本身）。 阶段③的扩散模型每次采样都带噪声随机性，同一张危险场也能生成演化细节不同的未来——碰撞时机早一点晚一点、轨迹偏一点。这是"量"的差别。
实际运行时，K 个参数样本各配 12 次扩散采样，凑足 34 个未来后按多样性筛选即可。
这里有一个必须防的坑：如果训练数据里每条样本只有一组真值参数，普通的回归损失会把网络逼向所有合理答案的平均值——"左后方也行、右后方也行"被平均成"从正中间穿模"，反而谁都不对。对策有两条，都是成熟做法：一是造数据时就让每条样本挂多组合法真值（一对多监督）；二是用覆盖损失——网络一次猜 K 个，只惩罚离真值最近的那个，其余不罚，于是 K 个猜测会自然散开、分别覆盖不同的合理模式。项目现有阶段②里的覆盖损失正是同一思想，经验可以直接平移。
9. 对现有资产与计划的影响
- 阶段③接口不变：输出仍然是标准格式的危险场三元组，已训练的阶段③ checkpoint 理论上可以复用。但要诚实指出：新危险场的分布会偏移（脊线结构取代了圆形斑块），复用前必须做一次小规模兼容性检查，确认不达标才触发小范围校准——不允许未经检查直接假设兼容；
- 旧阶段②资产：定版配置与已验收的 checkpoint 全部封存，降级为论文的对照组——"人工规则改写 vs 物理重算"的对比实验本身就是有价值的叙事；
- 阶段①：模型、labeler、数据管线全部不动。唯一变化是之前降级为"可选"的 ρ 背景平台修复需要升级为"必选"——因为新方案要求学出来的先验场与物理算出的场刻度一致，才能正确拼接；
- 当前主线：阶段③的 verdict review、空间定位实验、全量训练照常推进，方案 A 以 pilot 形式并行验证，不阻塞主线。
10. 风险与应对
| 风险 | 应对 |
|---|---|
| 虚拟车不与场景中其他车互动（无避让博弈），是简化假设 | 主动明示为局限性；5 秒短窗口内"各开各的"近似基本成立；pilot 阶段可视化重点排查穿模与不合理逼近 |
| 网络学成"平均放法"（模式塌缩） | 一对多监督 + 覆盖损失（见第 8 节） |
| labeler 中不可微环节阻断梯度回传 | 直通估计绕过；场层损失降权，参数层为主 |
| 人工设定的参数先验与真实事故分布有偏 | 第三层真实事故数据校准（DoTA/CCD 轨迹匹配） |
| 新危险场分布偏移影响阶段③复用 | 复用前兼容性检查；必要时用小规模校准集微调条件注入层 |
11. 落地顺序
按项目惯例，每一步都以"测试全绿 + 可视化人工确认"作为进入下一步的分水岭：
- Pilot A-1（方案地基）：实现虚拟车注入、硬栅格化、labeler 复用重算，产出可视化验收图——重点确认危险区呈脊线结构、方向场逐帧指向、多风险源竞争正确、无穿模；
- Pilot A-2：实现软栅格化、打通可微链路，做梯度健全性检查；
- 搭建参数分布网络，生成一对多监督数据，用覆盖损失训练；
- 接入真实事故数据做分布校准；
- K 路危险场接入阶段③，先做兼容性检查，再与旧 baseline 做对比评测。