1. 课程导入

自动驾驶系统的研发不是“训练一个模型”这么简单。它是一条从数据采集、标注、训练、评测，到部署上车、闭环回流的完整工程链路。任何一环脱节，都会导致模型在仿真里表现优秀、在实车上却频繁误判。本课程要解决的，正是把这条链路当作一个整体系统来建设，而不是把训练、评测、部署当成三个互不相干的团队任务。

一、学习目标：从“会跑通”到“可交付”

完成本课程后，你应当具备三类能力。第一类是链路贯通能力：能独立搭建一条从数据集版本、训练配置、模型权重到部署包的最小可运行流水线。第二类是指标治理能力：能定义并解释感知、预测、规划各模块的评测指标，理解mAP、IoU、ADE/FDE、碰撞率、接管率等指标之间的因果关系，而不是只盯一个总分。第三类是工程交付能力：能把模型转换为推理引擎可加载的格式，完成量化、时延测试与版本回滚设计。

需要强调的是，本课程不追求“调参技巧大全”，而是建立工程判断力。例如：当评测集上的mAP提升但实车接管率没有下降时，你应该先怀疑数据分布偏移，而不是继续加训。

二、核心概念：四个必须建立的心智模型

• 数据闭环：车端回传的难例（corner case）经过挖掘、标注、入库，重新进入训练集，形成“采集—训练—评测—回传”的循环。
• 版本三元组：任何一次可复现的实验，都必须绑定“数据集版本 + 代码/配置版本 + 模型权重版本”。缺一不可。
• 评测分层：离线评测（数据集指标）、仿真评测（场景通过率）、实车评测（接管与舒适性）三层递进，不能互相替代。
• 部署约束前置：目标芯片算力、内存带宽、量化精度必须在训练阶段就纳入考虑，而不是训练完再“压缩适配”。

三、整体框架：一体化工程的五层结构

下图给出本课程贯穿始终的整体框架。它把数据、训练、评测、部署、闭环五个层次放在同一张图上，并标出层与层之间的关键接口。请重点观察：评测不是链路末端，而是同时向训练和部署反馈的“双向节点”。

四、方法流程：一次完整迭代的六个步骤

1. 确定目标与指标：明确本次迭代要改善的场景，例如“夜间无保护左转的漏检率”。
2. 锁定数据版本：从数据湖中拉取对应场景切片，生成训练集与回归测试集。
3. 训练与记录：固定随机种子，记录配置、日志与权重，保证可复现。
4. 分层评测：先跑离线指标，再跑仿真场景，最后小范围实车验证。
5. 部署验证：转换模型，测时延与精度损失，确认满足芯片约束。
6. 闭环回流：把失败场景加入难例库，进入下一轮迭代。

下面是一段典型的训练与评测配置片段，注意其中同时绑定了数据、模型和评测三个版本号：

experiment:
  name: "night_uturn_v3"
  dataset_version: "city_night_2024_12"
  model_config: "bevformer_base.yaml"
  ckpt: "ckpt-0421"
  eval:
    offline: ["mAP", "IoU", "ADE", "FDE"]
    sim_scenarios: ["uturn_night_01", "uturn_night_02"]
    real_car: ["takeover_rate", "comfort_score"]
  deploy:
    target_chip: "Orin-X"
    precision: "int8"
    max_latency_ms: 80

五、案例与场景：一次“指标好看但实车变差”的复盘

某团队在白天数据集上把mAP从0.72提升到0.78，但实车夜间接管率反而上升。复盘发现：新训练集大量引入了白天合成数据，导致模型对夜间低照度特征的敏感度下降；同时评测只跑了离线指标，没有跑夜间仿真场景。修正做法是：在评测层强制加入“场景切片回归”，任何模型上线前必须通过夜间、雨天、逆光三类场景的最低通过率。

六、学习路径与关键检查清单

建议按“先贯通、再深入”的顺序学习：先理解整体框架与版本管理，再分别深入数据、训练、评测、部署四个模块，最后回到闭环与工程治理。下表给出本课程各阶段的能力检查点。

当你能够用同一套语言描述数据、训练、评测和部署，并且任何一次模型变更都能回答“用了哪版数据、跑了哪些场景、部署在什么芯片上、失败了怎么回滚”，你就真正进入了自动驾驶一体化工程的工作方式。这也是本课程后续所有章节的共同基础。