3. 高价值数据定义
在自动驾驶数据闭环中，“高价值数据”并不是一个抽象口号，而是直接决定标注预算、模型迭代收益和版本安全上限的核心资产。简单说，高价值数据是那些能够显著改变模型行为、补齐能力短板、降低系统风险，或直接支撑业务决策的数据样本。它不一定稀有，但一定与当前模型的能力边界、业务目标和安全责任高度相关。
一、业务含义：从“数据量”转向“数据收益”
传统数据采集容易陷入“里程崇拜”：认为跑得越多、数据越大，模型自然越好。但在自动驾驶中，大量数据是重复、低信息量的直行、跟车、畅通路段样本。它们对模型训练边际收益极低，却持续消耗存储、标注和训练算力。高价值数据的业务含义，是把数据从“成本项”转为“收益项”：
- 驱动模型迭代：能暴露当前模型误检、漏检、规划抖动、控制延迟的样本。
- 支撑安全验证：能覆盖高风险场景、责任敏感场景和法规关注场景。
- 优化标注效率：优先标注对指标影响最大的样本，减少无效标注。
- 服务运营决策：如接管率、急刹率、ODD 边界、区域泛化能力。
因此，高价值数据不是“最奇怪的数据”，而是“最值得被当前项目消费的数据”。同一段数据在不同阶段价值不同：感知瓶颈期，遮挡、小目标、逆光样本价值高；规控瓶颈期，交互博弈、cut-in、施工绕行样本价值高。
二、价值维度：多维度打分而非单一标签
工程上通常用多维度价值模型来定义高价值数据。常见维度包括：
| 价值维度 | 含义 | 典型信号 |
|---|---|---|
| 信息增益 | 对模型损失或不确定性的改善潜力 | 高 loss、高熵、预测方差大 |
| 场景稀缺性 | 在现有数据分布中出现频率低 | 长尾类别、罕见交通参与者 |
| 安全风险 | 与碰撞、违规、接管强相关 | 急刹、接管、近距切入 |
| 业务权重 | 对当前版本目标的重要性 | 城区 NOA、泊车、高速领航 |
| 标注成本 | 获取真值的代价 | 3D 框、跟踪、语义分割复杂度 |
| 时效性 | 是否对应最新 ODD 或新版本问题 | 新区域、新车型、新传感器 |
实际系统中，往往将上述维度加权成价值分，再结合采样配额做分层挖掘。例如：
value_score =
0.30 * uncertainty
+ 0.25 * rarity
+ 0.20 * safety_risk
+ 0.15 * business_weight
+ 0.10 * freshness
权重不是固定的，而是随项目阶段动态调整。感知阶段可提高 uncertainty 与 rarity；规控阶段提高 safety_risk 与交互复杂度。
三、评价指标：可量化、可回归、可闭环
高价值数据必须能被评价，否则无法进入稳定流水线。常用指标分为三类：
- 模型侧指标：loss 下降、mAP 提升、误报率下降、规划舒适度提升、接管率下降。
- 数据侧指标：场景覆盖率、类别均衡度、长尾占比、重复率、标注一致性。
- 业务侧指标：每万公里接管次数、急刹触发率、ODD 通过率、区域泛化提升。
一个常见误区是只看“单帧指标提升”，忽略数据分布偏移。高价值数据如果过度集中在某一类 corner case，可能导致模型在常规场景退化。因此需要同时监控收益指标与回归指标，形成“挖掘—标注—训练—评测—回流”的闭环。
四、与长尾场景、corner case 的关系
长尾场景和 corner case 是高价值数据的重要来源，但三者不能画等号。长尾场景强调频率低，corner case 强调边界极端、组合罕见、容易导致系统失效。高价值数据则强调对当前任务有实际增益。关系可以概括为：
- 长尾场景中，只有与当前模型短板相关的部分才是高价值数据。
- corner case 通常价值很高，但若当前系统尚未进入该 ODD，可能暂不优先。
- 高价值数据也可以来自常规场景，例如高频 cut-in 中的困难样本。
五、案例：城区 NOA 中的高价值数据筛选
假设当前版本在城区 NOA 中频繁出现“右转遇外卖骑手逆行”导致的急刹。此时，高价值数据不是所有骑手样本，而是同时满足以下条件的片段：
- 骑手出现在车辆右前方且横向速度异常；
- 自车处于右转或变道决策窗口；
- 存在遮挡、逆光或雨天等感知退化因素；
- 最终触发急刹、接管或安全员干预。
这类数据进入挖掘池后，应优先标注 3D 框、轨迹和意图，并加入回归测试集。若模型在该场景下误报率下降且常规右转不受影响，则说明数据价值被有效兑现。
六、常见误区与复盘
- 误区一：稀有即高价值。 若稀有场景不在当前 ODD 内，短期价值有限。
- 误区二：只看出现在训练集。 数据价值要看训练后指标是否提升，而非是否被使用。
- 误区三：忽略标注质量。 高价值数据若真值错误，会放大模型错误。
- 误区四：一次性挖掘。 模型迭代后，原高价值数据可能已饱和，需要动态重估。
复盘时应回答三个问题：这批数据解决了哪个具体问题？指标提升了多少？是否引入新的回归风险？只有形成可追踪的价值证据链，高价值数据才能从“经验判断”升级为“工程能力”。
综上，高价值数据的本质是以业务收益为导向、以模型短板为锚点、以安全风险为底线、以可量化指标为验证的数据资产。长尾场景和 corner case 是它的重要来源，但最终是否高价值，取决于它能否在当前项目中产生真实、可回归、可闭环的增益。