1. 课程导入

自动驾驶系统的能力上限，很大程度上不由算法结构单独决定，而由“数据—训练—评测—回灌”的循环效率决定。行业里常说“数据是自动驾驶的燃料”，但真正稀缺的并不是原始数据，而是能改变模型行为、能暴露系统缺陷、能覆盖长尾场景的高价值数据。本课程围绕这一核心命题展开：如何用工程化方法，把海量路测与仿真数据转化为可训练、可验证、可复用的数据资产。

一、核心原理：数据闭环与高价值数据的定义

数据闭环（Data Closed Loop）指从车辆运行中获取数据，经过回传、清洗、标注、训练、评测、部署，再将新版本模型推送到车端，并继续采集新数据形成反馈的完整链路。它的本质是让系统具备“从错误中学习”的能力。一个成熟的数据闭环通常包含五个关键环节：触发采集、数据回传、数据挖掘与筛选、标注与训练、评测与回灌。

高价值数据（High-Value Data）并没有绝对定义，它通常满足以下一个或多个条件：

• 稀有性：出现频率极低但安全风险高的场景，如异形障碍物、施工改道、极端天气。
• 不确定性：模型输出置信度低、多模态分歧大、预测轨迹方差高的片段。
• 错误性：人工接管、急刹、碰撞预警、规划抖动等系统失效或接近失效的片段。
• 边界性：刚好处于感知或决策边界上的样本，如远距离小目标、遮挡后突然出现的行人。
• 代表性：能覆盖特定 ODD（运行设计域）或特定城市、时段、道路结构的数据。

因此，高价值数据挖掘不是简单地“多采数据”，而是用规则、模型和统计方法，从 PB 级数据中找出对当前模型最有信息增益的那一小部分。它解决的是数据规模与数据效率之间的矛盾。

二、方法流程：从原始数据到高价值样本

工程上，高价值数据挖掘通常遵循“触发—回传—筛选—标注—训练—评测”的链路。下面给出一个可落地的流程框架：

1. 触发采集：车端根据接管、AEB 触发、规划抖动、感知置信度低等信号，自动截取前后若干秒数据。
2. 数据回传：通过 5G、Wi-Fi 或换盘方式上传，完成脱敏、压缩、完整性校验后入湖。
3. 数据挖掘：用规则引擎、模型打分、聚类去重、场景标签等方法，对数据做难度评分与优先级排序。
4. 标注与训练：对高价值样本进行自动预标与人工精标，进入增量训练或难例微调。
5. 评测与回灌：通过仿真回放、实车回归、影子模式验证新模型，达标后 OTA 发布，形成闭环。

其中，数据挖掘环节最容易被低估。它并不是“把数据丢给标注”，而是要先回答三个问题：哪些数据值得标？标多少？标完怎么用？如果缺少挖掘，标注成本会随数据量线性膨胀，而模型收益却快速递减。

三、案例场景：一次接管如何变成高价值数据

假设一辆测试车在城市道路行驶，遇到施工区域锥桶改道，安全员接管方向盘。这个片段的价值远高于普通跟车数据，因为它同时包含稀有场景、系统失效和边界决策。工程处理链路如下：

触发信号: takeover=true, scene=construction, speed=32km/h
数据切片: 接管前 8s ~ 接管后 4s
回传标签: city / daytime / construction / cone / takeover
挖掘评分: rarity=0.92, uncertainty=0.81, error=1.00
处理动作: 进入难例池 → 自动预标 → 人工精标 → 回归测试集
训练用途: 感知锥桶检测 + 规划绕行决策微调
评测指标: 接管率下降、绕行成功率提升、误刹率不上升

这个案例说明，高价值数据挖掘的关键不是“采集更多”，而是把一次失败转化为可复用的训练与评测资产。同一段数据既可以用于训练，也可以进入回归集，防止模型版本回退。

四、常见误区与复盘

复盘时建议关注四个指标：高价值样本占比、标注有效率、难例回归通过率、单位数据带来的模型收益。它们共同衡量数据闭环是否健康。

五、课程框架与工程价值

本课程共 30 章，整体分为五个模块：

自动驾驶的竞争，正在从“谁有更多数据”转向“谁能让数据更快变成能力”。高价值数据挖掘工程，正是连接数据规模与模型效率之间的那座桥。掌握它，意味着你能用更低的成本，让系统更快地覆盖长尾、收敛安全边界。