4. 数据采集策略
数据采集是自动驾驶数据闭环的起点，其质量与覆盖度直接决定了感知模型的上限。业界常言“garbage in, garbage out”，在自动驾驶领域更准确的说法是“missing in, missing out”——未被采集到的场景，模型永远无法学会。本章围绕数据采集的核心策略展开，重点解决四个问题：如何科学定义场景覆盖维度、如何识别并捕获长尾场景、如何平衡主动采集与被动采集的资源投入，以及如何配置采集设备与车辆以保障数据质量。
4.1 场景覆盖：从“跑里程”到“跑维度”
核心原理
传统路测以“累计里程”作为数据丰富度的衡量指标，但单纯增加里程对模型提升的边际效益递减。场景覆盖的核心思想是将连续驾驶数据离散化为“场景单元”，每个场景单元由道路结构、交通参与者、环境条件、自车状态四个维度组合定义。例如“城市双向四车道、雨天夜间、前方有横穿行人、自车时速40km/h”即是一个最小场景单元。场景覆盖的目标是让采集数据在场景维度空间中的分布尽可能均匀且充分，而非简单追求总里程数。
场景维度定义方法
实践中通常采用“场景八爪鱼”模型来定义覆盖维度，每个维度下再细分具体属性：
| 维度 | 细分属性示例 | 采集优先级 |
|---|---|---|
| 道路类型 | 高速、城市快速路、城区主干道、支路、乡村道路、停车场、施工路段 | 城区道路 > 高速 > 乡村 |
| 天气条件 | 晴天、阴天、雨天、雪天、雾天、沙尘 | 恶劣天气优先 |
| 光照条件 | 白天、夜间、黄昏/黎明、隧道内、逆光、强光直射 | 夜间与逆光优先 |
| 交通参与者 | 行人、骑行者、摩托车、大型车辆、异形车（工程车/农用车）、动物 | 弱势交通参与者优先 |
| 自车状态 | 直行、转弯、变道、上下匝道、掉头、倒车、泊车 | 复杂操作优先 |
| 交通流状态 | 畅通、缓行、拥堵、事故现场、交警指挥 | 拥堵与事故场景优先 |
| 道路设施 | 信号灯、停止线、人行横道、环岛、收费站、减速带 | 特殊设施优先 |
| 突发/异常 | 路面遗撒、临时施工、车辆逆行、非机动车闯红灯 | 最高优先级 |
覆盖度评估与缺口分析
建议建立“场景覆盖矩阵”，将上述维度组合成多维表格，每周统计各组合下的数据量。当某个组合的数据量低于阈值（例如少于100帧有效样本）时，标记为“覆盖缺口”，并生成定向采集任务。实际操作中，可使用以下流程：
- 定义场景标签体系：由算法团队与数据团队共同制定，确保标签可被自动或半自动标注。
- 数据自动打标：采集车辆回传数据后，通过规则引擎或轻量模型自动打上场景标签。
- 生成覆盖热力图：按周/月维度统计各场景组合的数据量，可视化展示覆盖缺口。
- 制定补采计划：针对缺口场景，安排专项采集或调整车队运营路线。
实战经验：某头部自动驾驶公司曾发现其感知模型在“雨天夜间+对向远光灯”场景下误检率高达15%，而该场景在既有数据集中占比不足0.3%。通过场景覆盖矩阵分析后，团队安排了两辆采集车在连续三周的雨夜前往指定路段采集，将场景占比提升至2.1%，模型误检率降至4.8%。
常见误区：不要将“场景覆盖”等同于“场景数量”。单纯追求场景种类多而忽略每个场景下的样本量，会导致模型过拟合于少量样本。每个关键场景至少需要数千帧有效数据才能支撑模型训练。
4.2 长尾场景识别：从“被动遇到”到“主动挖掘”
核心原理
长尾场景指发生概率极低但一旦发生可能造成严重后果的交通情况，例如“行人从遮挡车辆后方突然冲出”“高速上前车掉落货物”“施工区域临时改道”。这些场景在自然驾驶中可能数万公里才遇到一次，但却是自动驾驶系统安全性的关键考验。长尾场景识别的核心思路是：不依赖随机偶遇，而是通过系统化手段主动发现和构造。
识别方法：四通道联动
| 通道 | 数据来源 | 识别逻辑 | 输出 |
|---|---|---|---|
| 影子模式 | 量产车/测试车实时感知输出 | 感知置信度低于阈值、规划轨迹与驾驶员操作差异大 | 触发片段自动上传 |
| 接管事件 | 测试驾驶员/用户接管记录 | 接管瞬间前后30秒数据 | 高价值场景片段 |
| 仿真挖掘 | 仿真平台参数化场景生成 | 在参数空间中随机组合极端条件 | 虚拟长尾场景库 |
| 事故/投诉 | 事故报告、用户反馈 | 人工分析根因，反推场景参数 | 复现场景与采集需求 |
长尾场景采集闭环案例
以某Robotaxi公司为例，其在一线城市运营中收到用户投诉：“车辆在通过窄路会车时频繁急刹”。初步分析发现，系统对“对向车辆越过中线+路边停放车辆”的组合场景判断保守。具体处理过程如下：
- 数据提取：从投诉车辆中提取过去两周内所有窄路会车片段，共1,247段，其中触发急刹的占23%。
- 场景参数化：将对向车辆越线距离（0.1m~1.5m）、自车速度（10~30km/h）、道路宽度（5~7m）三个参数离散化，形成参数矩阵。
- 仿真补采：在仿真环境中按参数矩阵生成2,000个变体场景，筛选出模型决策边界附近的500个场景。
- 实车验证：选取其中50个高风险场景，在封闭测试场用目标假车复现，采集真实传感器数据。
- 结果：补充数据后，模型对窄路会车场景的急刹率从23%降至6%，且未出现新的误判类型。
经验提醒：长尾场景识别不是一次性工程，需要建立持续运营机制。建议每周召开“长尾场景周会”，由算法、数据、测试三方共同评审新发现的场景，并决定是否纳入采集计划。
4.3 主动采集与被动采集：资源分配的艺术
核心原理
主动采集是指有明确目标、预先规划路线和场景的采集方式，通常由专用采集车队执行；被动采集则依托量产车或运营车队在日常行驶中通过影子模式自动触发数据上传。两者的核心差异在于：主动采集“为特定场景而采”，被动采集“为未知场景而收”。
对比分析
| 维度 | 主动采集 | 被动采集 |
|---|---|---|
| 目标明确性 | 高（针对特定场景缺口） | 低（依赖触发条件） |
| 数据质量 | 高（设备标定好、传感器全） | 中（受限于量产传感器配置） |
| 单帧成本 | 高（专用车辆+人员+油耗） | 低（边际成本趋近于零） |
| 覆盖广度 | 窄（路线有限） | 广（车队分布广） |
| 实时性 | 可即时调整 | 依赖回传链路 |
| 适用场景 | 长尾场景补采、新城市拓展、传感器升级验证 | 日常数据积累、场景发现、覆盖度维持 |
资源分配策略
建议采用“被动为主、主动为辅”的总体策略，比例控制在70%被动、30%主动。被动采集负责维持基础数据量和发现未知场景，主动采集则聚焦于：
- 场景覆盖矩阵中标记为“红色缺口”的高优先级场景；
- 新城市或新区域开城前的数据冷启动；
- 传感器硬件变更后的数据对齐采集；
- 仿真挖掘出的高风险虚拟场景的实车验证。
风险提示：被动采集的数据质量参差不齐，尤其是量产车摄像头位置、型号与测试车不一致时，直接混用可能导致模型性能下降。建议对被动采集数据增加质量过滤环节，包括图像清晰度检测、时间同步校验、传感器标定状态检查。
4.4 采集设备与车辆配置
核心原理
采集设备的配置决定了数据的“信息上限”。传感器分辨率不足、时间同步偏差、标定误差都会在后续处理中被放大。采集车辆配置需要兼顾数据质量、设备成本、部署效率三个因素。
标准采集车辆配置方案
| 模块 | 推荐配置 | 关键参数 | 用途 |
|---|---|---|---|
| 视觉传感器 | 8~12路摄像头（前视×3、环视×4、后视×1、侧视×2~4） | 分辨率≥800万像素，帧率≥30fps，HDR | 2D/3D感知、红绿灯识别 |
| 激光雷达 | 1~2个（主LiDAR+补盲LiDAR） | 128线或等效，探测距离≥200m，垂直视场≥25° | 3D目标检测、可行驶区域 |
| 毫米波雷达 | 4~6个（前向+四角） | 长距≥250m，中距≥100m，短距≥60m | 速度测量、恶劣天气补充 |
| 组合导航 | RTK-GNSS + 高精度IMU | 定位精度≤10cm，航向精度≤0.1° | 轨迹真值、时间同步基准 |
| 计算单元 | 工控机（如Nuvo-8108GC）或专用采集盒 | CPU≥8核，GPU≥RTX 3080，存储≥8TB NVMe SSD | 数据记录、预处理、时间戳标记 |
| 时间同步 | PTP/GPPSync模块 | 同步精度≤1ms | 多传感器数据对齐 |
设备配置的关键工程要点
- 时间同步：所有传感器必须接入统一时间基准（通常为GPS PPS信号），确保各传感器数据帧的时间戳偏差小于1ms。建议使用硬件同步线缆连接相机触发信号与LiDAR旋转角度。
- 外参标定：每次出车前需进行传感器外参校验，推荐使用靶标标定法，标定误差应控制在2cm和0.1°以内。车辆经过颠簸路段后需重新校验。
- 存储与回传：单辆采集车每天可产生2~4TB原始数据，需配置大容量SSD阵列，并设计断点续传机制。回传可采用5G网络或物理硬盘快递两种方式结合。
- 电源管理：采集设备总功耗可达500W以上，需加装副电瓶或独立供电系统，确保车辆熄火状态下仍可完成数据落盘。
案例拆解：某自动驾驶初创公司在部署采集车队时，初期采用“高配测试车”方案，每辆车成本约200万元。运营三个月后发现，高配车数量有限导致数据量不足。后调整为“高配+中配”混合车队：高配车（含128线LiDAR+8路800万相机）负责长尾场景定向采集，中配车（含32线LiDAR+6路400万相机）负责日常覆盖度维持。调整后，在总成本基本不变的情况下，周数据量提升了3倍，且长尾场景发现率提升了40%。
常见误区与总结
误区一：传感器越多越好。传感器数量增加会带来标定复杂度上升、数据量膨胀、计算压力增大等问题。建议根据目标场景选择最小必要传感器组合。
误区二：忽视数据质量监控。采集设备在长期运行中会出现镜头脏污、LiDAR衰减、IMU漂移等问题，需建立每日数据质量巡检机制，包括图像清晰度评分、点云反射率统计、轨迹平滑度检测等。
误区三：主动采集与被动采集割裂。两者应共享统一的场景标签体系和数据格式，便于后续合并训练。建议在采集端就完成场景预打标，减少回传后的处理成本。
数据采集策略的最终目标是构建一个“覆盖广、质量高、成本可控”的数据资产池。场景覆盖提供结构化的采集框架，长尾场景识别确保安全关键场景不被遗漏，主动与被动采集的合理配比优化资源效率，设备与车辆配置保障数据质量底线。四个环节环环相扣，共同构成数据闭环的坚实起点。在实际落地中，建议团队定期复盘采集数据的场景分布与模型性能提升的关联性，持续迭代采集策略，避免“为采集而采集”的资源浪费。