2. 数据闭环基础
自动驾驶系统的能力提升，本质上不是“一次训练出一个模型”就结束，而是让车端真实世界的数据不断回流到研发侧，经过加工后再次影响模型与策略，形成持续迭代的闭环。这个闭环通常被称为数据闭环（Data Closed Loop）。理解数据闭环，关键是理解六个核心环节：采集、标注、训练、仿真、部署、回传，以及它们之间的数据流、触发条件和工程术语。
真实道路数据 → 数据筛选与标注 → 模型训练 → 仿真验证 → 车端部署 → 影子模式/回传 → 新一轮数据采集
闭环是否高效，取决于每一环的“数据质量、处理时延、可追溯性”和“触发下一环的条件”。
一、六个核心环节与术语
1. 数据采集（Data Collection）：车端通过摄像头、激光雷达、毫米波雷达、IMU、GNSS、CAN 总线等传感器记录原始数据。常见术语包括原始数据（Raw Data）、时间戳同步、触发采集（Trigger）、影子模式（Shadow Mode）。采集不是“全量上传”，而是按事件、场景、置信度低、接管、急刹等条件触发，否则存储和带宽成本不可控。
2. 标注（Annotation / Labeling）：把原始数据转化为模型可学习的监督信号。常见任务有 2D/3D 目标框、车道线、可行驶区域、语义分割、轨迹预测、Occupancy 栅格等。术语包括预标注（Pre-labeling）、人工复核（QA）、标注规范（Guideline）、一致性检查（IoU/一致性率）。标注质量直接决定模型上限。
3. 训练（Training）：使用标注数据训练感知、预测、规划等模型。术语包括数据集版本（Dataset Version）、训练配置（Config）、Checkpoint、指标（mAP、NDS、ADE/FDE）。训练环节强调可复现：同一数据版本、同一代码、同一超参应得到可对比结果。
4. 仿真（Simulation）：在虚拟环境中回放或生成场景，对模型和规控策略进行安全、回归、边界测试。术语包括场景库（Scenario Library）、回放仿真（Replay）、闭环仿真（Closed-loop Simulation）、对抗场景（Adversarial Scenario）。仿真能在不消耗实车里程的情况下暴露长尾问题。
5. 部署（Deployment / OTA）：把训练好的模型经过量化、编译、剪枝后部署到车端芯片，并通过 OTA 下发。术语包括模型转换（ONNX/TensorRT）、量化（INT8）、灰度发布（Canary）、回滚（Rollback）。部署不是终点，而是下一轮数据回传的起点。
6. 回传（Data Upload / Feedback）：车端把触发事件对应的数据、模型推理结果、接管记录、系统日志上传到云端。术语包括数据回传策略、脱敏（Desensitization）、断点续传、数据湖（Data Lake）。回传是闭环的“回流管”，决定闭环能否持续转动。
二、数据闭环的典型数据流
下面这张图展示了从车端到云端再回到车端的完整链路。注意：采集与回传是双向的，训练与仿真之间也存在数据交换，部署后的车端行为又会触发新的采集。
三、案例场景：一次“鬼探头”如何驱动闭环
假设某车辆在城市道路以 40km/h 行驶，右侧公交车遮挡处突然出现行人，系统触发 AEB 并人工接管。车端记录该事件前后 30 秒的多传感器数据，并标记为“高风险触发”。数据回传后，云端先做脱敏和场景切片，再进入标注环节，标注行人轨迹、遮挡关系、可行驶区域。随后训练感知与预测模型，并在仿真中构造“公交车遮挡 + 行人横穿”的对抗场景，验证新模型是否提前减速。通过后，模型经量化部署到车端，并通过 OTA 灰度发布。新模型上线后，若再次遇到类似场景，系统接管率下降，则闭环有效。
- Trigger：触发采集的条件，如接管、急刹、低置信度、碰撞预警。
- Shadow Mode：模型在后台运行但不控制车辆，用于对比新旧模型差异。
- Dataset Version：数据集版本，保证训练可复现。
- Replay Simulation：回放真实数据，验证模型在相同输入下的输出变化。
- Canary Release：灰度发布，先小范围验证再全量推送。
- Data Lineage：数据血缘，记录数据从采集到训练的完整路径。
四、常见误区与复盘
误区一：只重视模型，不重视数据版本。很多团队训练指标很好，但上线后无法复现，原因是数据集、标注规范、代码版本没有绑定。正确做法是每次训练都记录数据版本、标注版本、代码 commit 和超参。
误区二：采集全量上传。全量上传会带来带宽、存储和合规成本。应使用触发策略，只上传高价值片段，并配合脱敏和断点续传。
误区三：仿真只做回放，不做闭环。回放仿真只能验证感知输出，无法验证规控在动态环境中的长期行为。闭环仿真让模型与虚拟环境交互，更接近真实部署效果。
误区四：部署后不跟踪回传。部署不是终点。没有回传，闭环就断了。应建立“部署—监控—触发—回传”的自动化链路。
| 环节 | 核心输入 | 核心输出 | 关键指标 |
|---|---|---|---|
| 采集 | 传感器原始数据、触发事件 | 数据包、时间戳、场景标签 | 触发准确率、数据完整率 |
| 标注 | 原始数据、标注规范 | 2D/3D 框、车道线、轨迹 | 标注一致性、IoU、返工率 |
| 训练 | 标注数据集、训练配置 | 模型 Checkpoint、指标报告 | mAP、NDS、ADE/FDE |
| 仿真 | 场景库、模型、回放数据 | 通过/失败报告、边界案例 | 场景覆盖率、回归通过率 |
| 部署 | 模型、量化工具、OTA 平台 | 车端可执行模型、版本记录 | 推理时延、内存占用、回滚率 |
| 回传 | 车端事件、日志、推理结果 | 云端数据湖、触发样本 | 回传成功率、时延、脱敏合规率 |
总结来说，数据闭环不是一条单向流水线，而是一个以数据为血液、以触发为心跳、以版本为骨架的循环系统。采集决定“有没有料”，标注决定“料好不好”，训练决定“能不能学”，仿真决定“敢不敢上”，部署决定“上得去吗”，回传决定“能不能持续”。六个环节环环相扣，任何一环断裂，闭环都会退化为开环。