3. 数据闭环核心概念与术语

在 Mobileye EyeQ 这类车规级视觉感知平台上，数据闭环不是“把车端数据传回云端训练”这么简单的一句话。它是一条从车端感知运行、到问题发现、到数据回传、到标注训练、再到模型回归验证并重新上车的完整链路。理解这条链路，关键是理解其中七个核心术语：影子模式、触发回传、事件切片、数据标注、模型迭代、回归验证、闭环效率指标。它们分别对应闭环中的“发现、采集、裁剪、理解、改进、确认、度量”七个环节，缺一环，闭环就会断裂。

影子模式：让新模型“只看不动”

影子模式（Shadow Mode）是数据闭环的起点。它的做法是：车端仍由当前量产模型（例如 EyeQ 上正在运行的感知网络）控制实际驾驶行为，同时把候选新模型并行挂载运行，只接收同样的传感器输入、只输出推理结果，但不参与任何车辆控制。这样做的价值在于，可以在真实道路、真实光照、真实天气下观察新模型的表现，而不会因为新模型误检、漏检带来安全风险。

在 EyeQ 平台上，影子模式通常关注的是感知输出的一致性，例如：前车检测框的位置偏差、车道线拟合的曲率差异、可行驶区域边界的偏移、目标 ID 跟踪的跳变等。工程上会为这些差异设定阈值，例如检测框 IoU 低于 0.5、车道线横向偏差超过 0.3 米、目标丢失超过 3 帧，就认为出现了一次“影子分歧”。影子分歧是后续触发回传的原始信号。

触发回传：从海量数据中挑出“值得传”的片段

一辆车一天产生的原始视频可能达到数百 GB，全量回传既不经济也不必要。触发回传（Triggered Upload）解决的就是“传什么”的问题。它由车端的一个触发引擎实现，输入是影子分歧、车辆状态、驾驶员行为、系统告警等多路信号，输出是一个“是否上传、上传哪一段”的决策。

常见的触发条件包括：影子分歧超过阈值、AEB/FCW 触发、驾驶员急打方向或急刹、感知目标突然消失、GPS 进入特定区域（如施工路段）、以及随机抽样触发。触发引擎不会只记录分歧发生的那一帧，而是会向前后各扩展一段时间，形成一段有上下文的数据。这个扩展窗口就是事件切片要处理的内容。

事件切片：把连续数据裁成可复现的片段

事件切片（Event Slicing）是把触发点前后的连续数据裁剪成一段结构化片段的过程。一个典型的事件切片包含：触发时刻前 5 秒到后 3 秒的多路摄像头视频、对应的 CAN 信号（车速、方向盘转角、刹车状态）、IMU 数据、GPS 轨迹、以及车端感知输出和影子模型输出。切片会带上时间戳对齐信息，保证不同传感器数据在同一时间轴上可复现。

切片的关键参数是前视窗口、后视窗口和采样率。前视窗口要足够长，才能看到事件发生的上下文；后视窗口要覆盖事件后的演化。例如，对于“前车突然切入”的场景，前视 5 秒可以看到前车从相邻车道逐渐靠近的过程，后视 3 秒可以看到本车是否做出减速响应。切片完成后，会生成一个事件包，附带触发原因、车辆 VIN、软件版本、模型版本等元数据，为后续复现提供依据。

数据标注：把切片变成可训练样本

事件切片本身只是原始数据，要用于训练，必须经过标注。数据标注（Data Annotation）在闭环中承担的是“把真实场景翻译成监督信号”的职责。对于 EyeQ 感知模型，标注对象通常包括：车辆、行人、骑行者、车道线、路沿、交通标志、可行驶区域等。标注方式分为自动预标注和人工校验两步：先用当前量产模型或离线大模型对切片做预标注，再由标注员修正错误、补充漏标、剔除误标。

标注质量直接决定模型迭代的上限。工程上会关注几个量：标注一致性（不同标注员对同一目标的框偏差）、漏标率、误标率、以及类别混淆率。对于影子分歧触发的事件，标注重点往往不是“常规目标”，而是分歧发生的那几个关键目标——例如被影子模型漏检的远处小目标、被误检为车辆的广告牌、或者车道线被遮挡后的拟合结果。这些难例样本的标注价值远高于随机抽样的普通帧。

模型迭代与回归验证：改进了，还要证明没改坏

模型迭代（Model Iteration）是把标注后的难例样本加入训练集，对模型进行增量训练或微调，产出一个新的候选版本。迭代不是“训练完就完事”，它必须经过回归验证（Regression Verification）。回归验证的做法是：维护一个固定的历史场景集（包含之前所有触发过的典型事件切片及其标注），用新模型和旧模型分别跑一遍，对比关键指标。

对比指标通常包括：检测精度（mAP）、漏检率、误检率、车道线拟合误差、目标跟踪 ID 切换次数等。如果新模型在新增难例上明显改善，但在历史场景集上出现指标下降，就说明发生了“灾难性遗忘”或过拟合，需要调整训练策略。只有回归验证通过，新模型才会被允许进入影子模式重新上车，形成下一轮闭环。

闭环效率指标：衡量闭环是否真的在转

闭环效率指标（Closed-loop Efficiency Metrics）用来回答一个核心问题：这条闭环到底转得快不快、值不值。常用的指标包括：

• 触发准确率：有效事件数 / 总触发数，衡量触发引擎是否“挑得准”。
• 回传数据量：每车每天回传的 GB 数，衡量带宽和存储成本。
• 标注吞吐：标注员每天完成的帧数或事件包数，衡量标注产能。
• 迭代周期：从事件触发到新模型版本上车的时间，是闭环效率最直观的指标。
• 回归通过率：通过回归验证的模型版本数 / 提交验证的版本数，衡量迭代质量。

七个术语如何串成一条链

把七个术语按数据流串起来：影子模式在车端发现分歧，触发回传决定把哪些片段传回，事件切片把片段裁剪成带上下文的结构化事件包，数据标注把事件包变成带监督信号的训练样本，模型迭代用这些样本训练出新模型，回归验证确认新模型没有改坏旧能力，闭环效率指标度量整条链路的快慢与质量。新模型通过 OTA 重新上车，再次进入影子模式，闭环才真正闭合。

理解这七个术语，不只是记住定义，而是要知道每个环节的输入、输出和判断依据。例如，触发回传的输入是影子分歧信号，输出是事件包；事件切片的输入是触发时刻，输出是带时间戳对齐的多传感器片段；回归验证的输入是新旧模型和历史场景集，输出是通过或不通过的结论。只有把每个环节的“输入—处理—输出—判断”都想清楚，才能在真实工程中定位闭环卡在哪里、效率为什么上不去。