1. 课程导入
Robotaxi（自动驾驶出租车）不是一次训练完成、一次性交付的软件产品，而是一套在真实城市道路上持续运行、持续暴露问题、持续修复问题的长周期工程系统。它的核心竞争力并不只取决于某个感知模型在离线评测集上的精度，而取决于整个团队能否把"路上发生的事"高效转化为"下一版能力"。这正是数据闭环与持续迭代工程要解决的问题。
一、核心概念：什么是数据闭环
数据闭环（Data Loop / Data Flywheel）指的是：车辆在真实运营中产生数据，数据经过筛选与加工变成训练与评测资产，资产驱动模型和规则升级，升级后的软件再回到车上运行，从而产生新一轮更有价值的数据。它形成一个自我强化的飞轮，而不是单向的"采集—训练—发布"流水线。
需要区分三个容易混淆的概念：
- 数据管道（Pipeline）：强调数据的搬运与加工，关注吞吐、时延、成本。
- 数据闭环（Loop）：强调反馈，即"运行结果"能反向定义"下一轮要采什么、标什么、训什么"。
- 持续迭代工程（Continuous Iteration Engineering）：强调节奏与治理，包括版本管理、回归门槛、灰度发布、指标监控与回滚机制。
三者关系可以概括为：管道是血管，闭环是循环系统，持续迭代工程是心跳节律。缺少任何一环，飞轮都转不起来。
二、整体框架：五层结构与一条主链路
Robotaxi数据闭环通常可以拆成五个层次：车端采集层、数据回传与存储层、数据挖掘与标注层、模型训练与仿真验证层、发布与运营监控层。它们由一条主链路串起来：触发采集 → 回传 → 挖掘 → 标注 → 训练 → 仿真/回放验证 → OTA → 运营监控 → 再触发采集。
这张图的关键在于那条橙色虚线：闭环的驱动力来自运营侧的问题定义。如果只做"采集—训练"而没有把线上问题、接管原因、乘客投诉、远程协助记录反哺成采集触发规则，那么数据量再大也只是堆积，不会形成飞轮。
三、方法流程：一次完整迭代的典型节奏
以一个"路口右转与行人博弈"问题为例，一次完整迭代通常包含以下步骤：
- 问题定义：从运营监控中发现某路口右转通行效率低、接管率偏高，明确要优化的指标（如右转平均等待时长、接管率）。
- 数据触发：在车端配置触发规则，采集该路口及相似场景的片段，包括感知输出、预测轨迹、规划决策与底盘信号。
- 回传与挖掘：按价值分级回传，用场景挖掘脚本筛出"行人横穿 + 右转"的样本簇。
- 标注与数据集构建：自动预标注 + 人工复核，生成带版本号的数据集，并记录数据血缘。
- 训练与验证：训练预测/规划模型，在仿真中回放历史片段，检查是否出现新的安全风险。
- 灰度发布与监控：先在小规模车队灰度，观察接管率、急刹率、通行效率等指标，达标后全量，异常则回滚。
可以用一段简化的配置来表达"触发规则"这一环，帮助理解车端采集是如何被问题驱动的：
trigger:
name: right_turn_vru_interaction
scene: intersection_right_turn
conditions:
- vru_within_distance: 8.0m
- ego_speed_below: 15km/h
- planning_wait_time_above: 6.0s
capture:
window_before: 8s
window_after: 12s
channels: [camera_front, lidar, radar, perception, prediction, planning, can_bus]
priority: high
upload: near_realtime
这段配置体现了闭环工程的一个基本原则：采集不是全量录制，而是按问题定义做定向取样。全量数据成本极高，且大部分是低价值重复场景。
四、行业背景与典型场景
Robotaxi行业已从"技术演示"进入"规模运营"阶段。头部玩家的车队规模从几十台扩展到数百甚至上千台，运营城市从单一区域扩展到多城多区。规模一旦上来，三个矛盾会迅速放大：
- 长尾问题：99%的场景容易处理，剩下1%的极端场景决定了安全上限，而它们恰恰最难采集。
- 成本压力：数据存储、回传带宽、标注人力都是真金白银，必须做价值分级。
- 迭代速度：竞争对手每周发版，你若每月发版，能力差距会快速累积。
因此，行业普遍把数据闭环能力视为与算法能力同等重要的护城河。谁能在单位成本下获得更多高价值数据、更快完成验证、更稳地发布，谁就能持续领先。
五、常见误区与复盘要点
| 误区 | 表现 | 正确做法 |
|---|---|---|
| 只重采集不重触发 | 数据量巨大但重复场景多 | 用线上问题反推触发规则，定向采集 |
| 数据与模型版本脱钩 | 无法复现某次训练结果 | 数据版本、模型版本、评测报告三者绑定 |
| 只做离线评测 | 离线涨点、线上掉点 | 仿真回放 + 灰度路测双重验证 |
| 缺少回滚机制 | 一次发布引发大面积接管 | 灰度发布 + 指标卡点 + 一键回滚 |
| 标注质量无抽检 | 噪声数据污染训练集 | 自动预标注 + 人工抽检 + 质检指标 |
本课程后续将沿着这条主链路逐层展开：车端采集与触发、回传与存储、场景挖掘、标注与质检、数据集版本管理、模型训练、仿真与回放验证、OTA发布、运营监控与安全兜底，最终落到如何度量并持续优化整个闭环的迭代效率。理解本章的五层结构与反馈回路，是后续所有内容的地图。