4. 车道与目标感知的数据集与标注体系

EyeQ 平台上的车道与目标感知，最终性能并不只由网络结构决定，而是由“数据定义问题”的方式决定。同一段道路视频，如果采集时没有覆盖关键光照与遮挡条件，标注时没有统一车道线可见性规则，场景分类时没有把施工改道、匝道分流等长尾单独归档，那么模型在训练中就会把互相矛盾的样本当成同一类规律去拟合。因此，数据集与标注体系必须被当作一套工程规范来建设，而不是简单地把图片丢给标注员画框。

采集规范：先定义“什么算有效样本”

面向 EyeQ 的采集规范需要同时约束传感器、时间、空间与场景四个维度。传感器维度上，应记录摄像头安装高度、俯仰角、焦距、曝光模式与帧率，因为 EyeQ 的车道感知对透视关系和消失点非常敏感，不同安装参数下的车道线曲率与宽度在图像上的表现差异很大。时间维度上，应覆盖白天、黄昏、夜间、逆光、雨雾等光照条件，并记录太阳方位角，避免模型把“逆光”误学成“车道线消失”。空间维度上，应覆盖城市主干道、高速、匝道、隧道、收费站、乡村道路等道路类型。场景维度上，应显式采集施工区、锥桶改道、车道线磨损、积水反光、大车遮挡等困难场景。

一个可执行的采集批次记录可以设计为如下字段，便于后续按条件检索与配比：

clip_id: 20240612_highway_rain_0031
sensor: eyeq4_front, 1280x960, 30fps, 曝光自动
mount: 高度1.35m, 俯仰-2.5°, 焦距6mm
light: 雨天, 白天, 太阳方位角120°
road: 高速主线, 三车道, 沥青
scene_tags: 车道线磨损, 前车遮挡, 水膜反光
lane_visibility: 左线部分可见, 右线清晰, 中线缺失
duration: 42s, 有效帧1260

标注协议：把“可见性”和“几何”分开定义

车道线标注最容易产生歧义的地方，是“看不见但实际存在”与“确实不存在”混为一谈。EyeQ 的车道感知需要输出车道线几何、类型与置信度，因此标注协议应把可见性状态与几何属性分开。可见性状态建议分为四类：清晰可见、部分遮挡、严重磨损、完全缺失。几何属性则记录车道线类型（实线、虚线、双线、路缘、锥桶引导线）、颜色（白、黄、蓝）、曲率趋势（左弯、右弯、直行）以及消失点位置。对于目标感知，标注协议应明确截断目标、远距离小目标、夜间无灯目标、骑行者与行人的区分规则，并规定最小标注尺寸与遮挡比例阈值。

标注一致性需要通过“双人标注 + 仲裁”机制保证。对车道线，可计算两条标注折线的平均像素距离，若超过 3 像素则进入仲裁；对目标框，可计算 IoU，若低于 0.85 则进入仲裁。仲裁结果应回写为规范案例，形成标注手册的增量版本。

场景分类：用标签体系支撑配比与检索

场景分类不是给数据打上漂亮标签，而是为了让训练集配比可控、评测集可分层。建议采用三层标签体系：第一层为道路结构（高速、城市、匝道、隧道、收费站、停车场）；第二层为环境条件（光照、天气、时段）；第三层为感知挑战（遮挡、磨损、反光、施工、大车、夜间无灯）。每个 clip 必须至少有一个第一层标签和一个第二层标签，第三层标签按实际出现情况多选。这样在构建训练集时，可以按“高速 + 夜间 + 磨损”这样的组合检索样本，避免模型在某一类场景上过拟合。

困难样本挖掘：从“随机采样”转向“失败驱动”

困难样本挖掘的核心是找到模型当前最不擅长的样本。在 EyeQ 车道感知中，可用的信号包括：车道线输出置信度低于阈值、车道线在连续帧之间发生跳变、消失点估计漂移、目标检测漏检或误检。工程上可以先用模型对未标注数据做推理，把低置信度片段和高损失片段筛出来，再交给人工复核。例如，设定车道线置信度低于 0.6 且持续超过 5 帧的片段进入候选池；目标检测中，若同一目标在相邻帧之间出现“检出—丢失—检出”的抖动，也进入候选池。候选池按场景标签去重后，优先补充施工区、夜间无灯、车道线磨损等长尾场景。

数据闭环流程：让每一次失败都变成下一轮输入

数据闭环不是一句口号，而是一条可追踪的流水线：采集批次入库后，先做质量检查（模糊、过曝、丢帧），再进入标注与仲裁，随后按三层标签分类，接着用当前模型做推理并挖掘困难样本，困难样本经人工复核后加入训练集，训练完成后在分层评测集上验证，最后把失败案例按“车道线漏检、目标误检、消失点漂移”等类型归因，回流到采集规范与标注协议中。每一次回流都应产生可度量的变化，例如某类场景的样本量增加、标注规则更新、评测指标提升。

需要强调的是，数据闭环的迭代速度取决于标注与评测的自动化程度。车道线可以用几何一致性做自动预标注，目标可以用跟踪结果做跨帧传播，但最终仍需人工抽检。抽检比例可按场景风险分级：高速夜间、施工改道等高风险场景抽检比例不低于 20%，普通城市道路可降至 5%。只有把采集、标注、分类、挖掘、训练、评测、回流串成一条可追踪的链路，EyeQ 的车道与目标感知才能持续稳定地覆盖真实道路的长尾挑战。