1. 课程导入

智能驾驶系统从封闭场地走向开放道路，真正的挑战往往不是“功能能不能跑通”，而是“出了问题能不能说清楚”。路测中一次偶发的急刹、一次误识别、一次接管，背后可能牵涉感知、预测、规划、控制、地图、定位、通信乃至车辆执行机构。如果工程师只能描述现象，却无法稳定复现、无法定位到具体模块和触发条件，那么问题就会在“再跑一次看看”的循环中被消耗掉。本课程要解决的，正是这条从“路测异常”到“根因闭环”的工程链路。

一、学习目标：从现象描述走向根因闭环

本课程的学习目标不是记住某个工具按钮，而是建立一套可迁移的问题处理方法。完成学习后，你应当能够：

• 把模糊的路测反馈转化为可验证的问题陈述，明确时间、地点、场景、车辆状态和预期行为。
• 利用数据回放、日志对齐和场景重建，判断问题是否可复现，并区分必现、偶现和不可复现。
• 沿着“感知—预测—规划—控制—执行”的信号链，逐层缩小怀疑范围，而不是凭经验猜测。
• 针对典型问题建立最小复现集，输出可交给算法、测试或系统团队定位的证据包。
• 形成复盘习惯，把单次问题沉淀为场景库、回归用例和版本准入条件。

二、核心价值：复现与定位是智能驾驶的工程放大器

智能驾驶路测的成本极高：车辆、安全员、场地、时间、数据存储都在消耗资源。如果问题不能被有效复现和定位，路测就退化为“碰运气”。相反，复现与定位能力带来的价值是乘数级的。

第一，它缩短问题平均修复时间。一个能被稳定复现的问题，算法团队可以直接在仿真或数据回放中调试；一个只有现象描述的问题，往往需要多轮实车验证。第二，它提升数据利用率。路测采集的原始数据经过切片、标注、场景化后，可以反复用于回归测试，而不是一次性消耗。第三，它让版本迭代可控。每次发版前，用历史问题场景做回归，能避免“修一个、坏三个”。第四，它建立团队共识。统一的问题描述模板、证据链和定位路径，让测试、算法、系统、整车团队在同一语言下协作。

三、整体知识框架：一条主线、三层能力、五个环节

本课程的知识框架可以概括为“一条主线、三层能力、五个环节”。一条主线是：路测异常 → 数据采集 → 场景复现 → 分层定位 → 根因闭环。三层能力分别是：数据能力（采集、同步、回放、切片）、场景能力（场景描述、重建、泛化、回归）、系统能力（模块边界、接口信号、时序关系、失效模式）。五个环节贯穿始终：问题记录、数据准备、复现验证、定位分析、复盘沉淀。

四、工程实践路线：从一次真实问题开始

课程后续会沿着一条完整的工程路线展开。假设路测中车辆在无保护左转时出现了一次异常刹停，安全员接管。第一步，记录问题：时间戳、路口编号、天气、光照、车速、转向角、刹车信号、感知目标列表。第二步，准备数据：从车端存储中截取前后各30秒的多传感器数据，确认激光雷达、摄像头、毫米波雷达、组合导航和CAN总线的时间同步关系。第三步，复现验证：在数据回放工具中重放该片段，观察是否重现刹停；若不能复现，则调整回放起始点、传感器配置或车辆动力学参数。第四步，定位分析：沿信号链检查感知输出是否存在目标漏检或误检，预测模块是否给出错误轨迹，规划模块是否因保守策略触发制动，控制模块是否执行了错误指令。第五步，复盘沉淀：把该路口、该光照、该交通流组合抽象为场景用例，加入回归集。

五、常见误区与复盘提醒

初学者最容易陷入三个误区。第一，把“不可复现”当成“问题不存在”。偶现问题往往与特定时序、特定传感器状态或特定场景参数相关，需要更精细的数据切片和条件枚举。第二，过早锁定单一模块。看到感知目标丢失就认定是感知问题，但可能是时间同步偏差导致感知输入错位，也可能是标定漂移。第三，只关注算法，忽略系统和数据链路。很多路测问题的根因在配置版本、传感器标定、时间同步、存储丢帧或回放工具本身。

# 问题记录模板示例
problem_id: RT-2024-0517-003
scene: 无保护左转 / 傍晚 / 雨天
timestamp: 2024-05-17 18:42:13.280
vehicle_state: speed=22km/h, steering=+8deg, brake=0
phenomenon: 左转过程中突然制动至停车，安全员接管
data_path: /roadtest/20240517/run_03/segment_1842
reproduce: 回放可复现，仿真需调整光照参数
suspect: 感知目标漏检 / 预测轨迹冲突
status: 定位中