1. 课程导入

自动驾驶系统在公开道路上的表现，往往不是由“平均场景”决定的，而是由极少数低频、高风险、语义模糊、传感器退化或交互博弈的困难场景决定。这类场景通常被称为 Hard Case（困难案例）。它们可能表现为：施工区锥桶突然侵入车道、夜间逆光下行人横穿、无保护左转与对向车博弈、前车急刹导致的多车连锁反应、隧道出口强光造成感知短暂失效、雨雾天气下车道线缺失等。Hard Case 的核心特征不是“罕见”本身，而是系统在当前能力边界内无法稳定、安全、舒适地处理，并且一旦处理失败，后果可能非常严重。

因此，Hard Case 挖掘与闭环工程的目标，不是简单收集“难例”，而是建立一条从数据发现 → 场景理解 → 问题归因 → 算法/策略改进 → 仿真与实车验证 → 回归上线的完整闭环。它把零散的“路测问题”转化为可度量、可复现、可迭代的工程资产。对于自动驾驶团队而言，这条闭环决定了版本迭代的速度与安全上限。

一、Hard Case 的定义与边界

在工程实践中，Hard Case 不能只靠“感觉难”来定义。更严谨的定义是：在特定 ODD（运行设计域）内，系统感知、预测、规划或控制模块的输出，与安全、合规、舒适或效率目标发生显著偏差，且该偏差在统计上具有重复出现或潜在重复出现的可能。这一定义包含四个要素：

• 特定 ODD：离开 ODD 谈困难没有意义，高速 NOA 与城市 Robotaxi 的 Hard Case 完全不同。
• 模块偏差：可能是感知漏检、预测错误、规划保守、控制抖动，也可能是多模块耦合失效。
• 目标冲突：安全、合规、舒适、效率之间发生冲突，例如“礼让行人”与“避免后车追尾”同时存在。
• 可重复性：能够通过日志、仿真或场景重建复现，否则无法进入闭环。

需要区分三个容易混淆的概念：Corner Case 强调边界条件组合；Edge Case 强调极端参数；Hard Case 强调系统当前能力不足。三者有交集，但 Hard Case 更关注“工程上必须解决且能闭环”的问题。

二、挖掘与闭环工程的价值

Hard Case 挖掘的价值体现在四个层面。第一，安全价值：通过高危场景的提前暴露与回归，降低实车事故风险。第二，效率价值：把路测中偶发的问题转化为可批量仿真的场景库，减少重复路测成本。第三，算法价值：为感知、预测、规划提供针对性训练与评测数据，避免“平均指标好看、关键场景崩溃”。第四，组织价值：形成统一的问题描述语言与优先级机制，让数据、算法、仿真、测试、安全团队协同迭代。

闭环工程的关键在于“闭环”二字。很多团队有数据回传，但没有场景挖掘；有场景挖掘，但没有归因；有归因，但没有回归验证。任何一个环节断裂，Hard Case 就只是“日志里的故事”，无法转化为版本能力。

三、方法流程：从路测日志到版本能力

一个可落地的 Hard Case 闭环通常包含六个步骤。第一步，数据采集：通过路测、影子模式、仿真回放、用户接管事件、安全员干预记录等渠道获取原始数据。第二步，场景挖掘：用触发规则（急刹、接管、碰撞预警、横向加速度超限）、聚类算法、主动学习筛选候选场景。第三步，场景理解：对候选场景进行标注、重建、语义标签化，形成可查询的场景库。第四步，问题归因：定位是感知漏检、预测轨迹错误、规划保守还是控制延迟。第五步，改进与验证：在仿真中批量回归，再进入封闭场地或指定路线实车验证。第六步，回归上线：版本发布后持续监控同类场景是否再次出现。

下面是一个简化的场景挖掘触发规则示例，用于从日志中筛选候选 Hard Case：

trigger_rules:
  - name: hard_brake
    condition: ego.deceleration > 3.5 m/s^2
    window: 2.0s
  - name: takeover
    condition: driver.takeover == true
    window: 5.0s
  - name: near_miss
    condition: min_ttc < 1.5s
    window: 3.0s
  - name: perception_drop
    condition: object_count_drop > 40%
    window: 1.0s

四、案例场景：无保护左转的博弈失败

假设一辆自动驾驶车辆在城市路口执行无保护左转。对向有直行车流，系统预测对向车辆会减速让行，于是开始左转；但对向车辆实际未减速，导致本车在路口中间急停，后车紧急制动。这是一个典型的 Hard Case。通过日志回放可以发现：感知正确识别了对向车辆，预测模块给出了“让行”概率偏高的轨迹，规划模块选择了激进左转策略，控制模块在急停时产生了较大纵向抖动。

归因结论是预测与规划耦合失效，而非感知问题。改进方案包括：增加对向车辆意图的不确定性建模、在规划中引入防御性左转策略、在仿真中批量生成不同对向车速与让行概率的组合场景。验证通过后，该场景进入回归场景库，后续版本必须通过该场景才能上线。

五、课程学习目标与整体知识框架

本课程围绕 Hard Case 的全生命周期展开，学习目标包括：理解 Hard Case 的定义与分类；掌握数据采集、触发规则、场景挖掘与主动学习方法；掌握场景重建、语义标签与场景库建设；掌握感知、预测、规划、控制各模块的归因方法；掌握仿真验证、实车验证与回归上线流程；建立安全、合规、效率、舒适多目标权衡的工程思维。

模块	核心问题	关键产出
定义与分类	什么算 Hard Case？如何分级？	Hard Case 分类标准与优先级矩阵
数据与挖掘	从哪里发现？用什么规则？	触发规则库、候选场景集
场景理解	如何重建与标签化？	场景库、语义标签体系
归因与改进	问题出在哪个模块？	归因报告、算法改进方案
验证与闭环	如何证明改好了？	仿真回归报告、实车验证报告

整体知识框架可以概括为“一条主线、两类数据、三层验证”。一条主线是 Hard Case 闭环；两类数据是真实路测数据与仿真生成数据；三层验证是仿真回归、封闭场地验证、公开道路验证。后续章节将沿着这条主线，逐步展开数据挖掘、场景重建、归因分析、仿真评测与版本回归的工程细节。