TRACER：面向交通事故重建的免训练闭环结构化推理

# TRACER：面向交通事故重建的无训练闭环结构化推理
来源：https://arxiv.org/html/2606.25002
Yanchen Guan, Chengyue Wang, Bin Rao, Haicheng Liao, Jiaxun Zhang, Shang Gao, Chengzhong Xu, and Zhenning Li\*澳门大学智慧城市物联网国家重点实验室 中国澳门特别行政区，999078

###### 摘要

交通事故重建是一个法医逆向问题，需要从稀疏且异构的证据中恢复物理一致的运动。现有基于学习的方法主要优化语义合理性或视觉真实感，而非与可测量的几何和动力学量的定量一致性。本文提出TRACER，一个无训练框架，将重建问题形式化为一个闭环结构化推理过程。我们的框架不直接生成密集轨迹，而是在几何、运动学和交互约束下，构建并迭代优化事件锚定的运动假设，并受到结构化案例记忆和一致性驱动诊断的引导。这种设计使得在证据不足时能够进行增量式的、可解释的修正，使事故重建过程更符合人类专家的实际工作流程。在真实事故数据上的实验表明，TRACER在几何保真度、速度一致性和碰撞精度方面均优于基于数据驱动和基于物理的基线方法。

## 1 引言

事故重建旨在从部分事后证据中，恢复导致观察到碰撞的碰撞前运动过程davis2003bayesian (https://arxiv.org/html/2606.25002#bib.bib1)。这些证据通常稀疏、有噪声且异构，包括文字叙述、车辆属性、道路几何、现场草图和部分碰撞线索wach2016calculation (https://arxiv.org/html/2606.25002#bib.bib2)。因此，任务不仅需要生成看似合理的轨迹：恢复的运动必须与事故描述、道路拓扑、车辆运动学、多智能体交互以及最终碰撞构型保持一致gao2020vectornet (https://arxiv.org/html/2606.25002#bib.bib3)。

这一设定构成了一个结构化逆向推理问题：多种运动历史可能解释同一报告，特别是当证据仅指定高层动作（如转弯、制动、让行、停车或闯红灯）时arora2021survey (https://arxiv.org/html/2606.25002#bib.bib4)。在这种模糊性下，一旦生成的密集轨迹出现不一致，错误的来源很难定位，难以确定运动演化过程中的哪个阶段导致了失败。因此，直接的密集轨迹生成不适合可解释的诊断和局部细化ivanovic2021mats (https://arxiv.org/html/2606.25002#bib.bib5)。相比之下，事故推理自然地围绕事件级阶段组织，包括上游接近、机动起始、冲突进入、规避响应和最终碰撞接近menzel2018scenarios (https://arxiv.org/html/2606.25002#bib.bib6)。这些阶段在稀疏证据和度量轨迹恢复之间提供了一个紧凑的接口。

现有的事故重建方法已利用事故报告、场景布局或仿真器来合成与事故相关的轨迹和可视化guo2024sovar (https://arxiv.org/html/2606.25002#bib.bib7);li2025avd2 (https://arxiv.org/html/2606.25002#bib.bib8)。然而，许多重建结果仍然容易受到结构化不一致的影响。一条轨迹可能匹配叙述，但违反车道拓扑；到达事故点，却暗示了不现实的速度剖面；或者从与报告碰撞侧不兼容的方向接近碰撞。这些失败模式表明，事故重建的核心挑战不仅仅是生成一条看似合理的轨迹，而是构建一个在证据不完整的情况下仍然可诊断、可定位和可修复的结构化运动假设。

我们提出TRACER，一个用于物理约束逆向运动重建的闭环框架。TRACER将每辆车的碰撞前运动表示为一个由稀疏控制点、段关系、速度阶段和碰撞接近约束组成的事件锚定假设。结构化案例记忆提供了关于路线范围、机动风格、速度趋势和接近姿态的弱先验。大语言模型作为结构化推理组件集成在整个推理循环中：它们提出事件级假设，评估语义和动作级一致性，并根据检查器诊断生成局部细化。确定性模块处理密集轨迹实现、数值一致性检查和编辑接受，使最终重建可审计且受物理约束。

我们的贡献有三方面。首先，我们引入了一种事件锚定的运动表示，它与事故证据的粒度一致，并支持可解释的诊断和局部修复。其次，我们开发了一个闭环结构化一致性最小化框架，该框架结合了LLM辅助规划、混合检查、LLM引导的细化和确定性密集实现。第三，我们将结构化案例记忆作为一种弱先验机制，用于正则化欠定重建并提供模式参考。在真实事故重建数据上的实验表明，TRACER在几何精度、速度一致性和碰撞级保真度方面优于代表性的轨迹生成基线。

## 2 相关工作

交通事故重建是一个法医逆向问题，从异构证据（包括测量、草图、车辆损坏以及目击者或驾驶员陈述）中恢复碰撞的因果和运动学过程zheng2020determinants (https://arxiv.org/html/2606.25002#bib.bib9);struble2020automotive (https://arxiv.org/html/2606.25002#bib.bib10);fernandes2018application (https://arxiv.org/html/2606.25002#bib.bib11);ryan2024accident (https://arxiv.org/html/2606.25002#bib.bib12)。传统的重建依赖于训练有素的调查员将物理证据整合为结构化报告，用于法律、工程和安全分析rivers2010technical (https://arxiv.org/html/2606.25002#bib.bib13);rivers2006evidence (https://arxiv.org/html/2606.25002#bib.bib14)。尽管在证据上严谨，但此过程需要大量专业知识、专门设备和长时间的现场操作carper2000forensic (https://arxiv.org/html/2606.25002#bib.bib15);raviv2017analyzing (https://arxiv.org/html/2606.25002#bib.bib16);faizan2021forensic (https://arxiv.org/html/2606.25002#bib.bib17);smith1957physical (https://arxiv.org/html/2606.25002#bib.bib18)，限制了其可扩展性。

近年基于学习的方法试图通过使用事故报告作为语义输入来自动化重建过程chen2025transforming (https://arxiv.org/html/2606.25002#bib.bib19);jiao2018virtual (https://arxiv.org/html/2606.25002#bib.bib20);li2024steering (https://arxiv.org/html/2606.25002#bib.bib21)。现有方法包括语言条件仿真，如SoVARguo2024sovar (https://arxiv.org/html/2606.25002#bib.bib7)；文本条件视觉生成，如AVD2li2025avd2 (https://arxiv.org/html/2606.25002#bib.bib8)；以及LLM辅助仿真管线，如AccidentSimzhang2025accidentsim (https://arxiv.org/html/2606.25002#bib.bib22)。这些方法提高了语义可控性或视觉合理性，但往往未能充分约束关键物理状态、几何一致性和定量轨迹保真度。Guan等人guan2026learningphysicallygroundedtraffic (https://arxiv.org/html/2606.25002#bib.bib23)通过将文本线索与场景几何和运动约束相结合，向基于证据的重建迈进一步，然而现有方法仍主要依赖一次性生成，缺乏可被验证和修正的结构化中间表示。

在稀疏、有噪声且异构的证据下，这种限制尤为关键，因为多种运动历史可能看似合理。人类专家通常通过迭代假设构建和细化来解决此类模糊性，协调语义、几何和物理约束。受此过程启发，我们将事故重建形式化为结构化闭环推理，包含显式的中间假设、基于检索的先验和一致性引导的细化。

## 3 方法论

给定一个事故案例，我们的目标是恢复一个密集的多车碰撞前运动历史，该历史与可用的语义、几何和碰撞证据一致。我们将输入证据表示为

X = \{\,x^\{\mathrm{text}\}, x^\{\mathrm{veh}\}, x^\{\mathrm{road}\}, p^\star, q^\star, c^\star, w \,\}, \tag{1}
其中 \(x^\{\mathrm{text}\}\) 是事故摘要，\(x^\{\mathrm{veh}\}\) 包含车辆级属性，如行驶方向、事件前运动、试图的规避操作和速度限制，\(x^\{\mathrm{road}\}\) 表示道路和车道几何，\(p^\star\) 是事故点，\(q^\star\) 是碰撞侧线索，\(c^\star\) 是碰撞对（若可用），\(w\) 表示弱场景先验。输出是一个密集的碰撞前轨迹集

\hat{T} = \{\,\hat{\mathbf{s}}_v(t_n)\,\}_{v=1}^V, \qquad \hat{\mathbf{s}}_v(t_n) = [\hat{x}_v(t_n), \hat{y}_v(t_n), \hat{u}_v(t_n)], \tag{2}
其中 \(V\) 是涉及车辆的数量，\(t_n\) 索引碰撞前的时间步。

图1 (https://arxiv.org/html/2606.25002#S3.F1) 展示了整体框架。TRACER 通过一个结构化假设重建 \(\hat{T}\)。

令 \(H = \{H_v\}_{v=1}^V\) \tag{3}
表示一个事件级轨迹假设，其中每个 \(H_v\) 包含稀疏控制点、段关系以及速度-时间变量。该方法寻求一个最小化结构化一致性能量的假设：

\begin{align}
\mathcal{E}(H; X, M) = &\lambda_\mathrm{sem}\mathcal{E}_\mathrm{sem} + \lambda_\mathrm{act}\mathcal{E}_\mathrm{act} + \lambda_\mathrm{geo}\mathcal{E}_\mathrm{geo} \\ 
&+ \lambda_\mathrm{spd}\mathcal{E}_\mathrm{spd} + \lambda_\mathrm{kin}\mathcal{E}_\mathrm{kin} + \lambda_\mathrm{col}\mathcal{E}_\mathrm{col}, \tag{4}
\end{align}
其中 \(M = M(X)\) 表示检索到的案例记忆。各项分别衡量与事故描述、动作序列、道路几何、路径-速度关系、车辆运动学和碰撞构型的一致性。由于该目标涉及离散语义判断、几何约束和特定碰撞推理，TRACER 通过一个闭环约束推理过程来近似其最小化：

\[
X \rightarrow M(X) \rightarrow H^{(0)} \rightarrow C^{(0)} \rightarrow H^{(1)} \rightarrow \cdots \rightarrow \hat{T},
\tag{5}
\]
其中规划器提出一个初始事件级假设，检查器诊断一致性能量的违反，细化器减少诊断出的不一致，实现器将细化后的假设转换为密集轨迹。

![参见图注](图1：TRACER 概述。我们的框架通过闭环约束推理重建碰撞前轨迹。结构化记忆提供弱先验，规划器生成事件锚定假设，检查器诊断语义、动作级、几何、运动学和碰撞不一致，细化器根据检查器的批评修复假设。)

### 3.1 结构化案例记忆

稀疏的事故证据通常使得多种运动历史看起来合理。为了减少这种模糊性，我们使用来自训练集的结构化案例记忆。每个记忆项表示为

\[
m_i = \{ z_i^\mathrm{sem}, z_i^\mathrm{geo}, z_i^\mathrm{int}, \pi_i \},
\tag{6}
\]
其中 \(z_i^\mathrm{sem}\) 总结了语义线索，如车辆数量、事件前运动、规避操作、碰撞侧证据和速度相关信息；\(z_i^\mathrm{geo}\) 总结了道路布局和车道结构线索；\(z_i^\mathrm{int}\) 描述了交互和接近关系；\(\pi_i\) 存储了紧凑的运动先验，包括大致路径范围、接近角度、主导运动模式、速度趋势和制动风格。

检索到的记忆集为

\[
M(X) = \{ m_{(1)}, \dots, m_{(K)} \},
\tag{7}
\]

每个训练案例被转换为一个包含语义、交互、道路几何、速度和轨迹摘要的记忆描述符。检索首先按语义和交互兼容性对案例进行排序，然后按道路几何相似性对前几名候选进行重新排序。得到的前 \(K\) 个案例被用作规划器和速度规划器的结构化参考。该记忆被用作重建假设的弱先验，因为文本证据通常不足以唯一确定度量运动，而相似案例在相似的道路和交互条件下仍可提供关于车辆如何接近冲突区域的有用规律性。它缩小了接近路径、机动风格、速度剖面和碰撞接近构型的合理范围，从而正则化了假设空间。最终重建仍由当前案例证据以及后续的一致性检查和细化过程决定。

### 3.2 事件锚定规划器

规划器从事故事故证据和检索到的记忆先验构建初始结构化假设 \(H^{(0)}\)。对于每辆车 \(v\)，假设表示为

\[
H_v = (P_v, R_v, U_v),
\tag{8}
\]
其中 \(P_v\) 包含事件锚定的控制点，\(R_v\) 包含段级运动关系，\(U_v\) 包含与事件锚点相关的速度剖面和时间分配。

\[
P_v = \{ \mathbf{p}_{v,k} \}_{k=0}^{K_a - 1}.
\tag{9}
\]
在我们的实现中，\(K_a = 10\)，对应一个紧凑的事故导向运动骨架，如图2 (https://arxiv.org/html/2606.25002#S3.F2) 所示。

事件锚定表示比一次性密集轨迹生成更适合事故重建。事故报告通常通过少量有语义意义的阶段来描述运动，例如事件前阶段和规避阶段，而不是通过帧级描述。直接从此类证据生成的密集序列难以验证，因为错误可能分布在许多时间步上，并且难以确定每个时间步对应的具体动作。相比之下，事件级假设暴露了关键的重建决策：车辆从哪里接近、何时进入冲突区域、如何进行机动或响应、以及如何到达碰撞点。这些决策可以在密集轨迹实现之前，对照道路几何、动作语义、速度可行性和碰撞构型进行检查。此外，当重建错误发生时，事件锚定表示能够将不一致性定位到特定的锚点。