奖励由规则定义时，强化学习策略为何仍可能优于规则规划器？如何验证实际收益？

优势的三个来源：1）目标对齐——规则是启发式的堆叠，逐条局部合理但全局未必最优；RL 以任务成功为目标端到端优化，能发现设计者没想到的折中（预减速、贴边通过、借用力）；2）覆盖方式——规则对枚举场景负责、边界外脆弱，RL 对分布负责，在传感器噪声与部分可观测的长尾状态里能学到鲁棒反应；3）信用分配——规则逐帧决策无全局视野，value 传播把终局结果反馈到早期动作，做跨时序权衡。但要清醒：奖励也是规则定义的代理，RL 可能比规则更「投机」（hacking），所以验证不可省：同一仿真环境、同一成功判定下，RL 策略对规则基线做成功率/效率/约束违反的统计对比（多 seed、置信区间），加消融（去 RL、只留模仿）证明增益来自 RL，最后抽查行为可解释性排除作弊。

这题的陷阱是把「RL 更好」当信仰：加分回答会给出 RL 输给规则的情形——任务简单规则已充分、奖励难写清、样本预算小、需要可验证的安全保证；以及「规则负责兜底约束、RL 负责优化目标」的混合架构（RL 输出被规则层过滤）在工业界更常见。能举具体例子（密集人群/拥堵场景 RL 胜出、常规场景打平）更佳。