1. 课程导入

自动驾驶系统并不是“训练一次、部署终身”的静态软件。车辆每天在真实道路上采集到的光照、天气、交通参与者行为、道路施工、传感器污渍与标定偏差都在持续变化，而模型只在有限的历史数据分布上完成训练。一旦运行环境偏离训练分布，感知、预测、规划模块的输出就可能悄然退化。模型监控与漂移检测的核心任务，就是在功能失效或安全事故发生之前，尽早发现“模型看到的世界已经变了”，并给出可定位、可量化、可处置的信号。

一、核心概念：监控什么，漂移指什么

在自动驾驶语境下，“模型监控”并不只是看 GPU 利用率和推理延迟，它至少覆盖四个层面：系统层（时延、丢帧、算力、内存）、数据层（传感器质量、点云/图像分布、时间同步）、模型层（置信度、检测框数量、轨迹误差、不确定性）以及业务层（接管率、急刹率、碰撞预警、ODD 越界）。漂移检测则聚焦于分布变化，常见类型如下：

• 数据漂移（Data Drift）：输入特征分布发生变化，例如夜间雨天图像占比突然升高、激光雷达点云稀疏度下降。
• 概念漂移（Concept Drift）：输入与输出之间的映射关系改变，例如某类车辆外观更新后，原本的“卡车”特征不再稳定。
• 标签漂移（Label Drift）：真值或标注规范变化，例如标注团队对“可行驶区域”的边界定义调整。
• 模型漂移（Model Drift）：模型版本、后处理参数或推理环境变化导致的输出偏移。

需要特别区分“漂移”与“异常”：漂移通常是渐进、统计意义上的分布迁移；异常可能是突发、单点或局部故障。工程上二者常共用同一套监控管道，但处置策略不同。

二、整体框架：从车端采集到闭环再训练

一个可落地的监控与漂移检测框架，通常由“采集—计算—判定—处置—验证”五段构成。车端负责触发式回传与影子模式推理；云端负责特征统计、漂移指标计算、告警分级与数据回灌；训练平台负责再训练、评估与灰度发布；最后通过影子测试和回归集验证，确认新模型没有引入新的退化。下面的 SVG 展示了这一数据流与判定关系。

三、方法流程：从指标到告警的判定链路

漂移检测的工程实现通常遵循“基线—统计—判定—归因”的链路。首先在模型发布时固化基线分布，例如按 ODD 切片保存特征直方图、置信度分布和误差分布；然后在线上按时间窗口计算漂移指标；接着用阈值与置信区间做分级判定；最后通过特征归因定位到具体维度，例如“夜间+雨天”切片下的图像亮度均值下降 18%。常用指标包括 PSI、KL 散度、KS 检验、MMD 以及基于分类器的对抗验证。下面给出一个简化的配置示例，用于说明监控项如何参数化：

monitor:
  baseline: model_v2.3.1_2024Q2
  window: 1h
  slices:
    - weather: [clear, rain, snow]
    - time: [day, night]
    - road: [highway, urban, rural]
  metrics:
    - name: image_brightness
      type: psi
      threshold: 0.2
      level: P1
    - name: lidar_point_density
      type: ks
      threshold: 0.05
      level: P1
    - name: detection_confidence
      type: kl
      threshold: 0.15
      level: P0
    - name: takeover_rate
      type: absolute
      threshold: 0.03
      level: P0
  action:
    P0: page_oncall_and_freeze_release
    P1: create_ticket_and_collect_data
    P2: log_only

四、案例与场景：一次夜间雨天漂移的处置复盘

某城市 NOA 项目在连续降雨后收到 P1 告警：夜间雨天切片的图像亮度 PSI 达到 0.31，激光雷达点密度 KS 统计量超过阈值，同时检测置信度均值下降 12%。团队按流程执行：第一步冻结当前模型灰度发布；第二步回灌该切片 2 万帧数据并补充标注；第三步在再训练中加入雨夜增强与点云去噪；第四步通过影子模式对比新旧模型，确认接管率下降 0.8 个百分点后恢复发布。整个过程从告警到恢复用时 36 小时，避免了更大范围的体验退化。

五、常见误区与工程清单

初学者容易把漂移检测等同于“看准确率下降”，但线上往往没有实时真值，必须依赖代理指标。另一个误区是只监控全局分布，忽略 ODD 切片，导致局部退化被平均掉。还有团队把阈值设得过死，造成告警疲劳；或只做单点检测，不做趋势与置信区间判断。下表给出一个可落地的检查清单：