2. 自动驾驶数据基础

自动驾驶数据质量与偏差分析的第一步，是建立对“数据从哪来、长什么样、怎么被标注、如何流转”的整体认知。传感器决定了数据的物理边界，数据模态决定了模型可消费的信息形态，标注格式决定了监督信号的表达方式，而数据集生命周期则决定了数据从采集到退役的完整治理路径。只有把这四层关系理清，后续的质量评估与偏差诊断才有稳定的坐标系。

一、传感器类型与数据模态的对应关系

自动驾驶车辆通常搭载多类传感器，它们各自输出不同模态的数据，并在时间与空间上形成互补。摄像头输出图像或视频，提供丰富的纹理与语义信息；激光雷达输出三维点云，提供精确的几何与距离信息；毫米波雷达输出距离、速度与角度，擅长测速与恶劣天气下的目标检测；IMU与GNSS输出位姿与运动信息，为多传感器融合提供时空基准；超声波雷达则多用于近距离泊车场景。

不同模态的数据在质量维度上差异显著。图像数据关注分辨率、曝光、运动模糊与色彩一致性；点云数据关注点密度、反射强度、遮挡与运动畸变；雷达数据关注信噪比、多普勒模糊与角度分辨率。偏差分析时，必须按模态分别建立质量指标，不能用一个统一阈值覆盖所有传感器。

二、标注格式：从像素到几何再到时序

标注格式是数据模态与模型训练之间的契约。常见格式可分为四类：第一类是图像级标注，如COCO的JSON结构，包含图像信息、类别列表与边界框/分割多边形；第二类是点云级标注，如KITTI的label文件与nuScenes的JSON表，记录3D框的中心、尺寸、朝向与类别；第三类是时序标注，如OpenLABEL支持轨迹与场景描述；第四类是标定与同步文件，记录相机内参、外参、时间戳对齐关系。

不同格式之间的转换是数据工程中的高频操作。例如将KITTI格式转换为COCO格式用于2D检测训练，或将nuScenes的3D框投影到图像平面生成2D伪标签。转换过程中最容易引入的偏差包括：坐标系定义不一致、类别映射遗漏、时间戳对齐误差、以及遮挡目标被错误保留或丢弃。

# KITTI 标注示例（每行一个目标）
Car 0.00 0 1.57 320.5 180.2 420.8 260.4 1.65 1.52 3.90 2.30 1.60 8.50 -1.62
Pedestrian 0.00 0 1.20 150.3 200.1 180.6 280.9 1.75 0.60 0.80 1.20 1.70 12.30 -1.55

# 字段顺序：类别 截断 遮挡 角度 2D框 3D尺寸 3D位置 旋转角

三、数据集生命周期与质量门禁

数据集不是一次性产物，而是一个持续演化的资产。典型生命周期包括：采集、清洗、标注、质检、版本发布、使用反馈与退役。每个阶段都应设置质量门禁。采集阶段关注传感器标定有效性、时间同步精度与场景覆盖度；清洗阶段关注无效帧、重复帧与极端曝光帧的剔除；标注阶段关注标注规范一致性与类别平衡；质检阶段关注抽样复核、一致性指标与偏差统计；版本发布阶段关注数据卡、变更日志与可追溯性。

四、常见公开数据集概览与选型对比

公开数据集是算法验证与偏差分析的公共基准。不同数据集在传感器配置、场景分布、标注粒度与规模上差异明显，选型时需结合任务目标与偏差分析需求。

五、常见误区与复盘要点

• 误区一：把模态差异当成噪声。图像模糊与点云稀疏是不同物理机制导致的，应分别建模，而不是统一降权。
• 误区二：忽略标定与时间同步。多传感器融合中，外参误差1度或时间戳偏差10ms，都可能造成3D框投影到图像时明显偏移。
• 误区三：只看标注数量，不看分布。夜间、雨天、隧道等长尾场景样本少，但恰恰是偏差分析的重点。
• 误区四：数据集版本管理缺失。没有版本号与变更日志，无法复现实验，也无法定位偏差引入的时间点。

综上，传感器类型决定了数据的物理来源，数据模态决定了信息的表达形态，标注格式决定了监督信号的契约，数据集生命周期决定了治理路径，而公开数据集提供了可对比的公共基准。理解这五者的关系，是开展自动驾驶数据集质量与偏差分析的基础前提。