CARVE-Q：量子提议、经典认证的交互式驾驶修复

背景

在自动驾驶系统的交互场景中，当系统检测到潜在碰撞风险并执行“驾驶否决”（driving veto，即阻止当前机动行为）后，核心挑战并不仅仅在于确认该机动是否不安全，更在于如何确保被阻断的交互能够达成一种合法、可审计且责任边界清晰的修复方案（repair）。

传统的预测模型和博弈论规划器虽然可以提出合理的合作策略，但它们无法提供数学证明来保证修复方案严格遵守硬性规则、路权分配、成本分摊以及自车（ego）的回退机制。这种缺乏“证书”（certificate）的规划方式，使得自动驾驶系统在责任认定和安全性验证上存在黑盒缺陷。

为了解决这一问题，研究人员提出了 CARVE（Certified Affordable Repair of Vetoed maneuvers via Envelopes，通过包络线实现被否决机动的认证可负担修复）架构。CARVE 旨在构建一种无需预测的交互式修复证书体系。然而，随着参与交互的车辆（多所有者）增加，修复空间的组合爆炸导致经典计算面临巨大的查询瓶颈。为此，研究引入了 CARVE-Q，一种在验证器屏蔽下的量子-AI 搜索层，利用量子计算加速修复空间的搜索，同时保留所有安全权威的经典属性。

核心内容

1. CARVE 证书架构与修复格（Repair Lattice）

CARVE 的核心在于为每一次被否决的机动生成一个结构化的“证书”。当系统否决一个机动时，CARVE 会执行以下步骤：

• 构建有限修复格：针对被否决的机动，构建一个有限的修复空间格（lattice）。
• 生成结构化证书：该证书记录以下关键信息：
  • 绑定的规则（binding rule）。
  • 选定的联合修复方案（selected joint repair）。
  • 基于路权缩放的合作包络线（right-of-way-scaled cooperation envelope）。
  • 基于责任加权的成本分摊（responsibility-weighted cost split）。
  • 仅依赖自车的回退方案（ego-only fallback）。

这种证书视图揭示了算法的瓶颈所在：多所有者修复导致了一个乘积格结构 $M = \prod_j |\mathcal{A}_j|$，其中 $|\mathcal{A}_j|$ 代表第 $j$ 个参与者的动作空间大小。随着参与者增多，$M$ 呈指数级增长。

2. CARVE-Q：量子-AI 搜索层

为了应对经典计算在大规模修复格中搜索最小成本解的效率问题，研究提出了 CARVE-Q。

• 量子提议，经典认证：CARVE-Q 是一个验证器屏蔽（verifier-shielded）的量子-AI 搜索层。它仅对黑盒修复格应用量子最小值查找算法（quantum minimum finding），而所有的安全权威判定依然保留在经典计算框架内。
• 查询复杂度对比：
  • 在保守的验证器预言机（verifier-oracle）模型下，经典精确最小值查找在最坏情况下需要 $\Theta(M)$ 次查询。
  • 而基于 Durr-Hoyer/Grover 算法的量子最小值查找，以高概率仅需 $O(\sqrt{M})$ 次预言机查询。

3. 理论证明与安全性

研究证明了 CARVE-Q 的几个关键属性：

• 证书健全性（Certificate Soundness）：生成的证书在逻辑上是正确的。
• 优先级非诱导性（Priority Non-elicitation）：系统不会错误地诱导或改变路权优先级。
• 黑盒查询分离：量子搜索部分与经典验证部分严格分离。
• 有限精度可逆预言机构造性：证明了在有限精度下，可逆预言机是可以构造的，这对于量子计算的实现至关重要。

4. 实验验证

研究在 CARVE 修复预言机上展示了状态向量最小值查找，测试规模高达 65,536 个分配方案。随后，在基于 Lanelet2 的 INTERACTION 数据集回放中验证了证书的保留情况。实验结果显示：

• 100% 的路权尊重。
• 100% 的责任一致性（blame consistency）。
• 零 优先级误报（zero priority false positives）。

关键要点

• 问题定义：自动驾驶否决后的核心难点在于提供“可审计、责任边界清晰”的修复证明，而不仅仅是预测合作。
• CARVE 机制：通过构建有限修复格并生成结构化证书，明确记录规则、路权、成本分摊和回退方案，实现无预测的交互式修复。
• 计算瓶颈：多车交互导致的修复空间乘积格 $M$ 使得经典算法面临 $\Theta(M)$ 的查询复杂度瓶颈。
• CARVE-Q 创新：引入量子最小值查找算法（基于 Grover 框架），将查询复杂度降低至 $O(\sqrt{M})$，实现“量子提议”；同时保持“经典认证”，确保安全性不依赖量子硬件的可靠性。
• 理论保障：证明了证书健全性、优先级非诱导性及黑盒查询分离等关键安全属性。
• 实证结果：在 65,536 个分配规模的测试中，验证了量子搜索的有效性，并在 INTERACTION 数据回放中实现了 100% 的路权尊重和零误报。

意义与影响

CARVE-Q 提出了一种“信任有界”（trust-bounded）的量子-AI 模式，为认证式自动驾驶（certified autonomy）提供了新的技术路径。

1. 安全性与效率的平衡：通过将耗时的搜索过程交给量子算法，而将关键的安全验证保留在经典系统中，CARVE-Q 既利用了量子计算的加速优势，又规避了量子硬件在实时安全关键任务中的潜在不稳定性。
2. 责任可追溯性：结构化证书机制使得自动驾驶决策不再是一个黑盒，而是可以审计、可解释的。这对于法律层面的责任认定（如事故后的 blame assignment）具有重要意义。
3. 可扩展性：面对日益复杂的交通场景和多车交互，量子加速为解决组合爆炸问题提供了理论上的可行性方案，特别是在大规模交互场景下，$O(\sqrt{M})$ 的复杂度优势显著。
4. 范式转变：从“预测+规划”转向“证书+验证”，CARVE-Q 代表了自动驾驶系统从概率性输出向确定性证明转变的重要一步，有助于提升公众和监管机构对自动驾驶系统的信任度。