1. 课程导入

自动驾驶模型不是一次训练完成就固定不变的软件资产。车辆每天在真实道路上采集到的新场景、新天气、新交通参与者行为，会不断暴露出模型在长尾场景中的不足。如果仍采用“季度级人工标注—离线训练—整包发版”的传统节奏，模型能力提升速度将远远落后于数据增长速度。本课程要解决的核心问题，就是如何把数据闭环、持续训练、自动评估、安全发布组织成一条可重复、可度量、可审计的工程流水线。

学习目标

• 理解自动驾驶模型持续训练（Continuous Training, CT）与自动迭代的完整技术框架，能画出从车端数据到模型上线的闭环链路。
• 掌握数据回传、场景挖掘、自动标注、训练调度、模型评估、影子模式与灰度发布等关键环节的工程方法。
• 能够为感知、预测、规划等不同模块设计合理的迭代指标，区分离线指标与在线指标、安全指标与体验指标。
• 具备识别数据闭环中常见陷阱的能力，例如数据偏差、指标失真、版本回滚困难、训练与推理不一致等。

核心概念：从“训练模型”到“运营模型”

传统机器学习项目关注的是单次训练任务：准备数据集、选择网络结构、调参、导出模型。而自动驾驶持续训练工程关注的是模型生命周期。模型被看作一个需要持续运营的产品，其能力由数据分布、标注质量、训练策略、评估体系和发布机制共同决定。

几个关键概念需要先建立：

• 数据闭环：车端采集→回传→清洗→挖掘→标注→训练→评估→发布→再采集，形成不断循环的反馈回路。
• 触发式训练：不是按固定周期训练，而是当新数据积累到一定量、关键场景覆盖率下降或线上指标劣化时自动触发训练任务。
• 影子模式：新模型在车端只推理不控制，与当前生产模型对比输出差异，用于安全验证。
• 模型仓库与血缘：每个模型版本都关联数据集版本、代码提交、超参数和评估报告，保证可追溯、可复现。
• 自动迭代：将上述环节用流水线编排起来，减少人工介入，使模型能够以天甚至小时为单位迭代。

整体框架：五层闭环架构

下图给出自动驾驶模型持续训练与自动迭代的整体框架。它由数据层、训练层、评估层、发布层和反馈层构成，五层之间通过版本化产物连接，形成闭环。

方法流程：一次自动迭代的典型链路

下面用一段伪代码描述自动迭代流水线的核心步骤。它体现了“触发—训练—评估—发布—反馈”的闭环逻辑。

pipeline: autonomous_driving_ct
trigger:
  - new_scene_count >= 5000
  - or online_kpi_drop("perception_recall") > 2%
  - or weekly_schedule

steps:
  1. collect_and_mine   # 回传数据，按场景标签挖掘长尾片段
  2. auto_label         # 自动标注 + 人工抽检，生成数据集版本 ds_v37
  3. train              # 基于 ds_v37 训练，产出 model_v128
  4. offline_eval       # 回归测试集 + 场景级测试，生成评估报告
  5. gate_check         # 若关键指标不达标，自动终止并通知
  6. shadow_deploy      # 影子模式上车，对比生产模型输出差异
  7. canary_release     # 灰度 5% 车队，监控接管率与误触发
  8. full_release       # 全量发布，更新模型仓库与血缘记录
  9. feedback           # 收集线上问题场景，回流至数据层

案例场景：一次“鬼探头”场景的迭代

某车队在城区道路连续出现“鬼探头”误刹问题：行人从遮挡物后突然出现，模型反应过晚。传统做法是人工收集片段、标注、训练，周期约两周。引入持续训练工程后，流程变为：车端检测到高急刹事件后自动回传片段；场景挖掘模块识别为“遮挡行人横穿”标签；自动标注生成边界框与轨迹；训练任务被触发，使用包含该场景的增强数据集；离线评估确认该类场景召回率提升；影子模式验证无误后灰度发布。整个过程压缩到 48 小时以内。

常见误区与复盘