2. 自动驾驶数据基础

自动驾驶数据回传与边缘预处理的所有工程决策，最终都要落到“数据本身长什么样”这个问题上。传感器决定了数据的物理含义，数据格式决定了它能否被高效解析与压缩，数据量级决定了带宽与存储预算，时间同步决定了多源数据能否对齐融合，坐标系则决定了空间信息是否可被正确理解。这五个要素共同构成了数据回传链路的输入约束，任何一环理解偏差，都会导致后续的采样、裁剪、编码和上传策略失效。

一、核心传感器类型与数据形态

量产自动驾驶车辆通常搭载摄像头、激光雷达、毫米波雷达、超声波雷达、GNSS/IMU 以及车身底盘信号。不同传感器的数据形态差异极大：摄像头输出的是二维图像帧，激光雷达输出的是三维点云，毫米波雷达输出的是稀疏目标列表与原始回波，GNSS/IMU 输出的是高频位姿与速度信息。理解这些差异，是设计边缘预处理策略的前提。

• 摄像头：前视、环视、侧视、后视，常见 800 万像素，输出 H.264/H.265 视频流或 MJPEG 帧序列，单路 30fps 下码率约 8～16 Mbps。
• 激光雷达：机械式或半固态，输出点云帧，每帧数万至数十万点，包含 x/y/z、intensity、ring、timestamp 等字段。
• 毫米波雷达：输出目标级数据（距离、速度、角度、RCS）或原始 ADC 数据，目标级数据量小但语义密度高。
• GNSS/IMU：输出经纬度、高程、航向、角速度、加速度，频率可达 100～1000 Hz，是时间同步与坐标变换的基准源。
• 车身信号：车速、转向角、制动、档位等 CAN 信号，频率低但语义关键，常用于场景触发与数据筛选。

二、数据格式与数据量级

数据格式直接影响边缘端的解析开销与压缩效率。图像常用 H.264/H.265 编码，点云常用 PCD、PLY 或自定义二进制格式，雷达目标列表常用 JSON 或 Protobuf，GNSS/IMU 常用 ROS bag 或自定义时间序列。在回传场景中，通常需要将多源数据封装为统一的记录格式，例如 ROS bag、MCAP 或自研的 chunk 文件，以便按时间窗口切片上传。

数据量级是带宽预算的核心。以一辆典型 L2+ 车辆为例：6 路摄像头约 60～100 Mbps，1 路激光雷达约 20～40 Mbps，雷达与底盘信号合计约 1～5 Mbps，整体原始数据量约 100～150 Mbps。若按每天 2 小时有效行驶计算，单日原始数据可达 90～135 GB。若全量回传，单车每月将产生数 TB 数据，因此必须依赖边缘预处理进行筛选、裁剪与压缩。

三、时间同步与坐标系基础

多传感器融合的前提是时间同步。摄像头、激光雷达、雷达和 IMU 各自拥有独立时钟，若不做同步，同一物理事件在不同传感器中的时间戳可能相差数十毫秒，导致融合结果出现“鬼影”或错位。工程上通常采用 PTP（IEEE 1588）或 gPTP 实现硬件级时间同步，配合软件层的时间戳对齐与插值，将各传感器数据统一到同一时间基准。

坐标系方面，自动驾驶涉及传感器坐标系、车辆坐标系、世界坐标系三类。传感器坐标系描述单个传感器的观测方向，车辆坐标系以车辆后轴中心或质心为原点，世界坐标系通常采用 WGS-84 或 UTM。坐标变换依赖外参标定矩阵，包括旋转矩阵 R 与平移向量 t。若外参失准，点云投影到图像上会出现明显偏移，直接影响感知与回传数据的可用性。

四、典型场景与工程误区

以一个高速匝道切入场景为例：车辆以 100 km/h 行驶，前视摄像头捕捉到相邻车道车辆切入，激光雷达同步输出该区域点云，毫米波雷达给出目标距离与速度，IMU 记录车辆横摆角速度。若时间同步误差为 50 ms，则车辆在 50 ms 内已移动约 1.4 米，融合结果会出现明显空间错位。若外参标定偏差 0.5°，在 50 米距离上投影误差可达 0.44 米，足以影响感知判断。

总结来看，传感器类型决定了数据的物理边界，数据格式决定了处理成本，数据量级决定了带宽策略，时间同步与坐标系决定了数据能否被正确融合。只有把这五个基础要素在边缘端处理清楚，后续的数据回传与云端训练才能建立在可靠的数据底座之上。