4. 数据漂移与概念漂移

在自动驾驶模型上线之后，模型面对的世界并不是训练集里那个被冻结、被清洗、被标注过的世界。道路参与者、天气、光照、传感器固件、地图版本、交通规则乃至驾驶策略本身都在持续变化。模型监控的核心任务之一，就是识别这些变化是否已经让“训练时学到的规律”与“当前输入—输出关系”发生偏离。数据漂移与概念漂移正是描述这类偏离的两个基础概念。

一、定义与数学直觉

设模型输入为 X，输出标签为 Y。训练阶段学习的是联合分布 P_train(X,Y)，推理阶段实际面对的是 P_live(X,Y)。当两者不一致时，就发生了漂移。按分解方式可写成：

P(X, Y) = P(X) · P(Y|X)

数据漂移（Data Drift / Covariate Shift）：
  P_live(X) ≠ P_train(X)，但 P(Y|X) 近似不变

概念漂移（Concept Drift）：
  P_live(Y|X) ≠ P_train(Y|X)，输入相同但正确输出改变

标签漂移（Label / Prior Shift）：
  P_live(Y) ≠ P_train(Y)，类别先验比例变化

对自动驾驶而言，数据漂移常表现为新场景、新天气、新传感器特性带来的输入像素或点云分布变化；概念漂移则更隐蔽，例如同一段道路因施工导致“可行驶区域”定义改变，或交通规则调整后“红灯右转”的语义发生变化。

二、类型划分与成因

工程上通常把漂移分为突变型、渐变型、周期型和复现型。突变型如传感器固件升级、地图大版本切换；渐变型如季节更替导致光照与植被变化；周期型如早晚高峰与昼夜循环；复现型如每年雨季积水场景再次出现。不同类型对应不同的检测窗口与告警策略。

三、对自动驾驶模型性能的影响路径

漂移不会直接“报错”，而是通过性能指标缓慢或突然退化体现。其影响路径可概括为：输入分布变化 → 特征提取层激活分布偏移 → 中间表示与训练时不一致 → 输出置信度校准失效 → 下游规划控制收到错误感知结果。对于端到端模型，这种影响更直接，因为中间没有显式规则兜底。

从图中可以看到，数据漂移与概念漂移最终都会汇聚到“决策边界失配”，但前者更多影响特征层，后者直接改变标签语义。监控系统需要在不同层级设置探针，才能区分二者。

四、典型场景与工程案例

• 场景一：跨城市泛化。模型在 A 城训练，部署到 B 城后，车道线颜色、交通标志样式、骑行行为分布不同，属于典型数据漂移。表现为车道线检测置信度下降，但语义定义未变。
• 场景二：施工区域改道。同一路口因施工临时改变通行规则，输入图像相似，但“可行驶区域”标签含义变化，属于概念漂移。此时仅靠输入分布监控难以发现，必须结合分层准确率与人工复核。
• 场景三：传感器固件升级。摄像头 ISP 参数调整导致图像色调、对比度整体偏移，属于特征漂移。若未同步更新标定与归一化参数，融合模型会系统性退化。
• 场景四：季节与昼夜循环。冬季积雪、夏季强光、夜间低照度造成周期性数据漂移。监控应使用滑动窗口与同比基线，避免把正常周期误判为异常。

五、检测与应对要点

检测层面，常用 PSI、KS、MMD、JS 散度等统计量对比训练集与在线窗口的输入分布；用分层召回率、混淆矩阵、置信度校准曲线捕捉概念漂移。应对层面，数据漂移可通过场景回灌、重采样、域适应缓解；概念漂移则需要重新标注、更新标签规范，甚至调整模型输出定义。

# 漂移监控配置示例（伪代码）
drift_monitor:
  input_features: [image_brightness, pointcloud_density, speed]
  window: 7d
  baseline: training_set_v3
  metrics: [psi, ks]
  thresholds:
    psi_warn: 0.1
    psi_alert: 0.25
  concept_probes:
    - scene: construction_zone
      metric: recall
      min: 0.85
    - scene: night_rain
      metric: precision
      min: 0.80

只有把数据漂移与概念漂移分开建模、分开监控、分开处置，才能避免“指标下降就盲目加数据”的低效循环，让自动驾驶模型在持续变化的环境中保持可解释、可追溯的性能表现。