1. 课程导入与工程全景
在智能驾驶量产项目中，Mobileye EyeQ 系列芯片（EyeQ4、EyeQ5、EyeQ6）承担着前视感知、车道线识别、目标检测与部分规控输入生成的核心任务。但真正决定一个项目能否持续迭代、能否把"偶发问题"变成"可修复问题"的，往往不是芯片本身的算力，而是围绕它建立起来的数据闭环与问题复现工程。本课程要讲的，正是这套工程体系如何运转。
什么是 EyeQ 数据闭环
EyeQ 数据闭环，指的是从车端 EyeQ 感知输出出发，经过数据采集、回传、筛选、标注、复现、分析、修复、验证，再回到车端验证的完整循环。它不是一个单点工具，而是一条跨越车端、云端、工具链和研发团队的链路。闭环的关键在于"可回环"：任何一个车端出现的问题，都能被定位到具体数据片段，在离线环境中被稳定复现，修复后能通过同一片段验证，最终回到车端确认问题消失。
与通用自动驾驶数据闭环相比，EyeQ 数据闭环有两个显著特点。第一，EyeQ 是封闭的黑盒芯片，感知结果通过 CAN/Ethernet 以目标列表、车道线方程、自由空间等结构化信号输出，我们无法直接访问内部神经网络中间层，因此复现必须依赖"输入—输出"对齐，而非内部特征比对。第二，EyeQ 的输出高度依赖其内部 ISP、光流、深度网络与视觉里程计，因此复现时对输入图像的时间戳、曝光、帧同步、标定参数极为敏感，任何一项不一致都可能导致复现失败。
问题复现工程的目标
问题复现工程的目标可以概括为三句话：把"用户描述的现象"变成"可观测的信号差异"；把"偶发"变成"稳定可重复"；把"复现"变成"可验证的修复依据"。具体来说，它要回答四个问题：问题发生在哪一帧、哪一段路、哪一种光照或场景下？EyeQ 输出的哪个信号与预期不符？这个不符是由输入数据、标定、同步还是算法本身引起的？修复后，同一段数据能否证明问题已解决？
在实际项目中，复现失败往往不是因为没有数据，而是因为数据"不够干净"。例如，一段用户反馈的 AEB 误触发，车端只记录了 EyeQ 输出的目标列表和一段低码率视频，缺少原始 RAW 图、精确时间戳和标定文件，复现时只能"近似还原"，导致问题时有时无。因此，复现工程的第一原则是：采集时就要为复现预留条件。
整体系统架构与关键角色
一个典型的 EyeQ 数据闭环系统，可以划分为车端、传输层、云端平台、复现工具链和研发协同五个部分。车端由 EyeQ 芯片、摄像头、域控制器、数据记录单元（Logger）组成，负责产生感知输出和原始数据；传输层通过 4G/5G 或 Wi-Fi 将触发片段回传；云端平台负责数据存储、检索、标注和任务分发；复现工具链包括 EyeQ 回灌台架、离线复现软件、信号比对工具；研发协同则连接感知算法、系统集成、测试和项目团队。
关键角色分工如下：数据工程师负责采集策略、触发规则和数据质量；复现工程师负责搭建回灌环境、对齐输入输出、定位差异；感知算法工程师负责分析 EyeQ 输出异常是否由算法边界引起；系统集成工程师负责标定、时间同步和通信链路；测试工程师负责设计复现用例和回归验证。五个角色不是串行，而是围绕同一条数据链路并行协作。
从"现象"到"信号差异"：一个教学示例
假设某项目在夜间雨天出现一次车道线突然丢失，用户描述为"仪表盘车道线消失约 1 秒"。复现工程的第一步不是直接看视频，而是先建立信号基线。我们取该片段前后各 5 秒的 EyeQ 输出，重点关注三个信号：左/右车道线方程的三次项系数、车道线置信度、以及 EyeQ 输出的车道线有效标志位。
在离线复现软件中，将同一段 RAW 图按原始时间戳逐帧回灌给 EyeQ 台架，记录输出并与车端记录做逐帧比对。若发现车端置信度在第 312 帧从 0.92 骤降到 0.15，而台架回灌在同一帧仍保持 0.88，则说明问题不在算法本身，而可能出在车端输入链路——例如该帧图像因雨滴遮挡或曝光突变导致输入质量下降，而车端 Logger 记录的图像与 EyeQ 实际输入存在压缩差异。此时复现工程师需要进一步核对：Logger 是否记录了原始 RAW 图？时间戳是否与 EyeQ 内部帧号对齐？标定文件版本是否一致？
这个示例说明，复现工程的核心不是"跑一遍看看"，而是建立可对齐的输入输出基线，再逐项排除差异来源。常见的差异来源包括：图像压缩、时间戳偏移、帧率不一致、标定参数版本不同、CAN 信号采样周期不同、以及 EyeQ 固件版本差异。
工程全景中的关键判断
在真实项目中，并不是所有问题都值得进入完整闭环。工程团队通常会用三个维度做优先级判断：安全影响（是否涉及 AEB、LKA 等安全功能）、复现概率（能否稳定复现，还是千分之一偶发）、修复成本（是标定问题、数据问题还是算法问题）。安全影响高且可稳定复现的问题，优先进入复现流程；偶发且无法稳定复现的问题，先补充采集条件，再等待下一次触发。
另一个关键判断是"复现环境的选择"。EyeQ 回灌台架可以精确控制输入，适合定位算法边界；但台架无法完全模拟车端的供电、温度、电磁环境和真实传感器噪声。因此，台架复现成功后，仍需在实车或硬件在环环境中做一次回归验证。台架负责"定位"，实车负责"确认"，两者不可互相替代。