4. 数据集构建流程
3D感知数据集的构建不是“先采数据、再想标注”的线性劳动，而是一条从任务定义到版本冻结的工程流水线。任何一个环节的偏差，都会在训练阶段被放大为系统性误差。本节将这条流水线拆解为七个阶段，并说明每个阶段的核心交付物与常见陷阱。
一、核心原理：以终为始的逆向设计
数据集构建的底层逻辑是以终为始：先明确模型要解决什么任务、在什么条件下部署、评测指标是什么，再反推需要什么样的数据。需求分析阶段必须回答三个问题：
- 任务边界：是3D目标检测、语义分割、还是占据栅格预测？不同任务对标注粒度和传感器配置的要求差异巨大。
- 运行域（ODD）：城市道路、高速公路、园区、矿区？ODD决定了场景设计的采样范围。
- 评测目标：mAP、NDS、IoU还是推理时延？评测指标决定了数据分布和难例比例。
二、方法流程：七阶段流水线
下图展示了从需求到版本冻结的完整数据流与各阶段交付物，注意质量控制并非末端环节，而是贯穿采集与标注的并行轨道。
三、关键阶段详解
场景设计是决定数据集价值上限的环节。建议采用“场景矩阵”方法：将ODD拆解为道路类型、天气、光照、交通密度、目标行为等维度，每个维度设定采样比例。例如城市道路数据集可按“晴天/雨天/夜间”= 6:2:2，“白天/黄昏/夜晚”= 5:2:3 进行配额采样，避免长尾场景被自然分布淹没。
传感器选型需同时考虑物理参数与数据可用性。以机械式LiDAR与固态LiDAR为例：前者视场角大、点云密度均匀，适合采集全场景；后者体积小、成本低，但FOV受限，需多颗拼接。相机需关注全局快门、曝光同步、镜头畸变模型。所有传感器必须完成联合标定，输出外参矩阵与时间同步偏移。
# 标定文件示例（camera-lidar外参）
extrinsic:
rotation: [0.9998, -0.0121, 0.0153,
-0.0120, 0.9999, 0.0087,
-0.0154, -0.0089, 0.9998]
translation: [0.12, -0.05, 1.85] # 单位：米
time_offset: 0.003 # 秒，LiDAR相对相机延迟采集规范应覆盖路线规划、车速控制、触发频率、数据落盘格式。建议以10Hz同步采集，每帧保存时间戳、GPS/IMU位姿、传感器健康状态。采集日志需记录异常事件（急刹、遮挡、标定漂移），便于后期筛选。
四、标注体系设计与质量控制
标注体系设计要解决“标什么、怎么标、标到什么程度”。类别定义需互斥且完备，属性字段（遮挡、截断、运动状态）应可量化。3D标注需明确：中心点坐标、尺寸、朝向角、类别、跟踪ID、可见性等级。
| 质检维度 | 检查方法 | 合格阈值 |
|---|---|---|
| 标注一致性 | 双人独立标注，计算IoU与类别一致率 | 3D IoU ≥ 0.85，类别一致率 ≥ 98% |
| 标定精度 | 重投影误差检查 | 平均重投影误差 ≤ 2 像素 |
| 时间同步 | 运动目标跨帧位置连续性 | 相邻帧位移偏差 ≤ 0.1 米 |
| 类别平衡 | 统计各类别实例数与场景覆盖 | 长尾类别占比 ≥ 5% |
| 难例覆盖 | 按遮挡、截断、远距离分层统计 | 重度遮挡样本 ≥ 10% |
五、版本管理与常见误区
数据集版本管理应遵循“不可变、可追溯、可复现”原则。每次发布打标签（如 v1.2.0），记录变更内容、影响范围、标注规范版本、标定文件哈希。训练/验证/测试划分必须在版本冻结时确定，严禁跨版本混用。
综上，数据集构建是一条“需求→设计→采集→标注→质检→版本”的闭环流水线。每个阶段都有明确的交付物和验收标准，质量控制贯穿始终，版本管理保证可复现。只有把流程工程化，数据集才能从“一次性劳动”变成“可持续资产”。