阶段③：以 H′ 为条件的占用扩散生成

目的：从"危险场"到"未来的多种可能"

前两个阶段产出的是 H′——"如果发生某类事故，危险分布长什么样"。但 H′ 本身不是最终交付物。阶段③要回答：给定过去 5 帧占用 + 激活后的危险场 H′，生成未来 5 帧的三维占用会怎么演化——而且要能生成 K=3~4 种不同的可能（多模态）。

为什么用扩散模型而不是普通回归网络？因为未来是一对多的：同一句"左侧有车切入"，车可以快点切、慢点切、贴近切。回归网络（MSE 训练）在一对多数据上只能学到"各种可能的平均"——平均出来的未来谁都不像，这是数学必然（后面 C0 试金石会实地演示这个失败模式）。扩散模型是生成模型，每次采样从不同的随机噪声出发，能走出不同的未来——多模态是它的本能。

扩散模型五分钟扫盲

前向过程（训练时）：拿一张干净的未来占用图 x₀，逐步加噪声，T=1000 步后变成纯噪声：

x₀（干净的未来）→ 加一点噪声 → x₁ → 再加 → ... → x₁₀₀₀（纯噪声）

反向过程（生成时）：训练一个 U-Net 学会"从噪声里把干净图还原出来"，生成时从纯噪声出发，一步步去噪：

纯噪声 →（U-Net 预测干净图）→ 稍干净 → 再预测 → ... → x₀（生成的未来）
   ↑ 每一步都看着条件（历史占用 + H′）来预测——条件就是这样注入的

三个后面会反复出现的技术名词：

• x0 参数化 vs eps 参数化：U-Net 每一步可以直接预测"干净图 x₀"（x0 参数化），也可以预测"当前噪声里的噪声成分 ε"（eps 参数化）。数学上等价，但优化行为不同——这个差异后来在 litmus 上制造了一个大坑（0.5 灰场吸引子，下面讲）；
• DDIM 采样：DDPM 要去噪 1000 步太慢，DDIM 是它的加速版（eta=0 时确定性采样，50 步完成）——本项目采样统一用 DDIM 50 步；
• 教师强制（teacher forcing）/ oracle：评估时的一种作弊模式——每一步去噪时不喂模型自己的上一步输出，而是喂"加了正确噪声的 GT"。它能分离一个关键问题：模型单步预测准不准（oracle）vs 连走 50 步会不会跑偏（free 自由轨迹）。这把手术刀后面救了整个诊断链。

架构设计：2D U-Net + 通道折叠

输入输出的账本：

生成目标 x₀：未来 5 帧占用 = (5帧, 2通道, 200×200, 20层)
条件：o_past（过去 5 帧占用）+ H′（o′/ρ′/v′ 激活场）

关键设计决策：不直接上 3D U-Net，而是把 T×C×Z 折叠进通道维度，在 BEV 平面上用 2D U-Net：

x₀ fold：5×2×20 = 200 通道，空间维度只留 200×200（BEV 鸟瞰）
条件 fold：o_past 200 通道 + H′ 100 通道（o′20 + ρ′20 + v′60，v 的 3 个分量全保留）
输入总计 500 通道 → 2D U-Net（47M 参数）→ 输出 200 通道 → 展开回 (5,2,200,200,20)

为什么折叠？算力现实：3D 卷积在 200×200×20 上做 1000 步扩散，显存和时间都不可行；而驾驶场景的空间结构主要在水平面，Z 轴 20 层折叠成通道损失可控。条件注入走最朴素的 concat（与扩散 U-Net 输入拼接）——因为扩散 U-Net 本身可训练（阶段③训练的只有它，CLIP/先验/阶段②全冻结），concat 的"需要后续层消化"前提在这里成立。

数据与目标：反事实"幻影"设计

阶段③的训练目标不是普通的"预测下一帧"，而是反事实生成：场景里本来没有事故，我们要求模型生成"如果发生事故"的未来。做法叫 phantom_primary：

在 o_future（未来真值）里按规则注入一个"幻影"（phantom）——
一辆按运动学规则运动、最终与 ego 相撞的虚拟车辆轨迹

为什么不编辑真实车辆（edit 档）？锚点-agent 匹配率探针一锤定音：H′ 的锚点位置与真实 agent 的匹配率只有 17.3%——事故语义锚点处往往根本没有真实车辆可编辑。所以主档 = 凭空生成幻影。

cut-in 类的幻影规则（rule-v2）是打出来的，两个根因和修复：

• v0=0 零初速 → 幻影不动，变成 ego 自己撞静止靶（ego_driven 占 87%）→ 修复：v0=approach 初速 + intercept 瞄准 ego 未来位置；
• "起点=锚点"几何死结 → cut-in 锚点横向 ±1m，落在 ego 车身足迹内（车长 4.6m），幻影从那里出发必然首帧即碰撞（首帧停止 89%）→ 修复：锚点语义修正为"风险落点"（碰撞在哪发生）而非"生成点"，幻影起点从锚点后撤。

修复后正式全量：首帧停止 0.5%/0.2%、phantom_driven 94%/97.3%，全闸通过。

评估指标体系

攻关史（上）：扩散力学 —— "单步会、轨迹废"

C0 无条件试金石：无条件生成 2 个样本，IoU≈0，看起来惨败——但诊断发现这是预期失败：无条件+MSE 的数学最优解就是"模态叠加平均"，阈值化后两不靠。教训：试金石的形态必须对齐真实使用形态（条件生成），无条件 IoU 闸作废。

C1~C5 排除链（每一步排除一类嫌疑）：

• C1 预算：2000 步不够？→ 不是预算问题；
• C2 学习率：lr 有单调改善但暴露诡异现象——loss 降了 95.97% 而 IoU 只有 0.0158（损失与轨迹脱钩首证）；
• C3 稀疏塌缩：L1 把质量比救回 0.555 但 IoU 反降——"量对"≠"位置对"，塌缩证伪；
• C4 采样解剖：oracle IoU 0.8614！单步预测很好、schedule 系数零误差、采样器清白——矛头只剩"自由轨迹"；
• C5 定案：exposure bias + 晚期训练不稳定——训练时模型总见"正确的上一步"，生成时只能见"自己的上一步"，误差逐步累积；且 6000 步后过拟合退化（峰值@6000 free 0.2559 → 终态@10000 掉到 0.10）。

解法：资格掩码峰值选模（oracle≥0.8 才配进候选，argmax 选峰）+ trainer 加固（grad clip / lr decay / 漂移监测）。B0/B1 双臂过闸，3-2 关闭，力学验证完毕。

攻关史（中）：可控性试金石 —— "说了左边，它听吗"

这是阶段③的灵魂实验：同一场景，只把条件从 cut_in_left 换成 cut_in_right，生成的幻影应该换边。16 场景 × 左右双臂。

• r1 前置闸翻车：双臂条件差异度量（质心分离度）只有 0.06，远低于闸门——因为 ±1m 的锚点差被 ~20m 的高斯核展宽淹没。但诊断发现可分信息其实在 v′ 通道（v̄ 夹角 76°~109°）——改前置闸判据后 16/16 过闸。这直接实证了设计决策 5："v 是 bbox 表达不了的信息"。
• r2~r5 深坑：free IoU 0.059 全军覆没，且出现灵异现象——五组独立实验的 IoU 逐位相同（0.059448）。排查链：先查缓存复用（P0 对拍，清白）→ 再发现真相：全场输出饱和 0.5 灰场，IoU 退化为目标面积比例（数据常数）。根因两层：① 条件信噪比 0.127~0.395 <1（条件太弱听不见）；② eps 参数化的数学吸引子——eps=0 稳态恰好对应 0.5 灰场，"不作为"成了动力学上的舒适区。
• r6~r7 修复：换 x0 参数化（拆除吸引子，p̂ 0.5→0.07）+ 条件尺度 adapter（SNR 0.26→6.1）→ 从"听不见"变成"听见了不敢写"。
• C1 判乙 + mask-weighted MSE（突破口）：教师强制逐 t 桶探针判定瓶颈是稀疏场 MSE 对幅度的压制（阶段① ρ 塌缩的同构病第三次复发）。先解析验证（w_pos=20 时理论最优幅度提升 18 倍）再授权训练——free IoU 0.869 ≈ oracle 0.874，首次闭合。
• 终审：46 个承诺体素集中在 3/16 场景，统计不够 → 扩到 128 个零重叠独立场景的 256 个 L/R 配对样本，预注册判定线（先写死规则再跑）：McNemar mask-only=9 / B1-only=0，p=0.0039 达标，swap SNR 126.3 vs 基线 0.22——可控性成立，HOLD 解除。同时登记诚实口径：泛化分片 free IoU 0.187≈queue 基线，可控性 claim 的证据是承诺分离 + swap SNR，不是 IoU 压制——两条线分开陈述，防过 claim。

攻关史（下）：full-v2 诊断与 provenance 封存闸（当前战线）

可控性过了，进入正式 verdict 评审，877 个验证样本全量诊断，预注册四分支全部落判坏消息：

A. degradation：raw free IoU 0.093 < 同语境 copy 基线 0.213（全量上打不过复制基线）
B. overcommitment：承诺占比是 GT 的 3.276 倍（过度承诺，到处乱亮）
C. midcourse_drift：扩散轨迹 IoU 从 t999 的 0.238 单调劣化到 t0 的 0.093（越生成越偏）
D. selection bias：类别间选择偏差 TV 0.124（对不同类型偏心眼）

要归因，先审计——结果审计掀了桌：v2 数据的 sample_token 指向 frame 9（target），v3 数据指向 frame 4（condition），389 条样本的"身份"对不上；且 v2/v3 的参考系变换证据、p-hat 的逐样本 sidecar 全部缺失。于是落下归因封存闸（attribution gate）：

389 条身份全部判 unresolved（注意：不判 different——"证明不同"和"无法证明相同"是两回事）
→ 禁止任何全量归因结论
→ w_pos 悬挂：禁止一切 w_pos/precision 侧修改（怕在没归因清楚时乱动损失）

三线收口（已完成）：

1. closure：389 条不可变 sidecar 落成，身份三态 0 proven / 266 different / 123 unresolved；
2. 归因考古：266 条"different"被证明是假阳性——时间戳闸门用刚性 1ms 容差，而 nuScenes 采样有 ~125ms 物理抖动（jitter），窗口本身零位移。教训：身份校验以 token/窗口位移为主证据，时间戳只做 jitter-aware 次级校验（容差 250ms）。p-hat 旧产物零元数据，永久封存，事后考古补救不了；
3. v3_regen（provenance-by-construction）：唯一出路是重生成时原生落盘证据——389/389 窗口以 v2 身份锚定、九门 sidecar 全字段非空、运行时 hash 实测自验、生成规则与旧版 389/389 逐字节一致（证明语义零变更）。

当前位置：

下一步 = p-hat GPU 重采样（冻结 checkpoint 仅推理）→ closure 复跑 → commit
→ v3_regen 的 389 条合法样本重跑 full-v2 诊断
→ 归因坐实 → w_pos 解封评估 → 可控性 verdict 签发 → 3-3 全量训练

阶段③小结

阶段③ = 用 2D U-Net 扩散（通道折叠、x0 参数化、DDIM 50 步）以"过去 5 帧 + H′"为条件生成多模态未来占用；它继承了前两阶段的全部方法论并贡献了新的硬核经验——试金石形态要对齐使用形态、oracle/free 双轨是诊断手术刀、eps 参数化的 0.5 吸引子、稀疏场 MSE 压制跨阶段复发、"身份证据不闭合就不许归因"的封存闸制度。它目前是全项目唯一未关闭的阶段，战线停在 provenance 闭合的最后一公里。