多模态轨迹预测能够提升端到端自动驾驶的行为覆盖，但现有方法仍受限于稀疏的场景表示。证据不完整会导致候选轨迹质量下降，且在几何相似的轨迹之间难以可靠排序。在基于寄存器的基线模型中，劣质候选占比高达 19.74%，而最优候选的平均排名仅为第 33.9 位。
我们提出 RRDrive，核心是风险感知占用（Risk‑Aware Occupancy），它是一种密集、时间对齐且可对轨迹查询的表示。全局结构引导高质量的多模态生成，候选条件的风险查询则支持细粒度的轨迹筛选。我们进一步构建了 RiskOcc4D‑NAVSIM 数据集，自动标注风险信息。
实验表明，RRDrive 在选定轨迹的 PDMS 上达到 0.951，比基线提升 1.5%（基线 0.937），平均候选轨迹的 PDMS 提升 7.7%。在挑战性场景下，候选 PDMS 提升 30.2%，好候选之间的 Spearman 相关系数从 0.26 上升至 0.67，增幅 0.41。
为突破 oracle 设置的限制，我们进一步研发了外部 RiskOcc 预测器——一个直接从传感器输入估计风险感知占用的感知模块。其竞争性的表现验证了该表示的可行性。
点评