4、数据采集策略：传感器配置、采集场景设计与数据质量要求

自动驾驶数据闭环的起点是数据采集，而采集策略直接决定了后续仿真验证、标注训练和模型迭代的上限。如果采集到的数据在传感器配置上存在盲区、在场景覆盖上过于单一、在质量上噪声过大，那么无论算法多么先进、算力多么充足，都无法训练出安全可靠的自动驾驶系统。本章将围绕传感器配置（摄像头、激光雷达、毫米波雷达）、采集场景设计以及数据质量与多样性要求三个核心维度展开，帮助学员建立一套系统化的数据采集策略方法论。

4.1 传感器配置：多模态融合的硬件基础

传感器配置是数据采集策略的物理载体。不同传感器在感知维度上各有优劣：摄像头提供丰富的纹理和颜色信息，但受光照影响大；激光雷达直接输出高精度三维点云，但成本高且雨天性能衰减；毫米波雷达对速度和距离测量可靠，但角分辨率低。一套合理的传感器配置方案，需要根据L2~L4不同级别功能需求、车辆平台空间、计算单元算力以及成本预算进行综合权衡。

4.1.1 核心原理：传感器互补性与冗余设计

传感器配置的核心原理是“互补+冗余”。互补指不同传感器覆盖不同物理维度——摄像头负责语义理解（车道线、交通标志、物体类别），激光雷达负责几何测量（物体轮廓、距离、可通行空间），毫米波雷达负责运动状态（相对速度、远距离探测）。冗余则指关键区域（如前向、侧前向）需要至少两种传感器同时覆盖，以便在单一传感器失效或受干扰时仍能维持感知能力。例如，在高速场景中，毫米波雷达对前方200米车辆的探测结果，可以与摄像头视觉测距结果交叉验证，降低单传感器误判风险。

4.1.2 典型配置方案与选型判断

目前行业主流的传感器配置方案可归纳为以下三种，分别对应不同自动驾驶等级和成本区间：

在实际选型时，需要关注以下关键参数：摄像头的分辨率（建议不低于800万像素）、帧率（≥30fps）、动态范围（≥120dB）；激光雷达的线束（64线以上为佳）、探测距离（≥150m）、垂直视场角（≥25°）；毫米波雷达的探测距离（前向≥200m）、距离分辨率（≤0.5m）、速度精度（≤0.1m/s）。此外，传感器的时间同步精度必须控制在1ms以内，空间标定误差需小于2cm，否则融合后的感知结果会出现“重影”或“错位”。

4.1.3 案例拆解：某Robotaxi公司的传感器配置迭代

某L4级Robotaxi公司在早期采集车上使用了“1颗64线激光雷达 + 6个摄像头 + 4个毫米波雷达”的配置。在实际运营中发现两个问题：一是车顶单颗激光雷达存在近场盲区（车身周围0.5米内无法感知），导致低速泊车和窄路会车时频繁出现剐蹭；二是前向摄像头与激光雷达的视场角不匹配，在十字路口左转时，侧向来车往往先被摄像头发现，而激光雷达尚未覆盖到该区域。

针对上述问题，团队进行了以下调整：

1. 增加补盲激光雷达：在车辆前保险杠两侧各增加一颗16线短距激光雷达，覆盖近场盲区，探测距离30米，垂直视场角扩大到45°。
2. 调整摄像头布局：将前向摄像头从3目改为4目（增加一颗广角镜头，视场角从120°扩展到180°），同时将侧向摄像头安装位置从后视镜移至翼子板，减少A柱遮挡。
3. 毫米波雷达升级：将前向毫米波雷达从3发4收升级为4发6收，角度分辨率从4°提升到2°，增强对横穿行人和两轮车的识别能力。

调整后，采集数据的有效场景覆盖率提升了约35%，近场盲区导致的数据缺失问题基本消除。但代价是单台采集车的硬件成本增加了约18%，数据存储量从每小时120GB提升到180GB。复盘经验是：传感器配置的调整必须基于真实场景中的失败案例驱动，而不是盲目堆叠硬件。

4.2 采集场景设计：从“跑里程”到“跑场景”

场景设计决定了数据采集的覆盖广度与针对性。早期行业普遍采用“随机路跑”模式，即车辆在城市中随意行驶，期望通过大里程覆盖各种情况。但实践证明，这种方式效率极低——大量数据是重复的直线行驶和空旷道路，而真正有价值的危险场景、罕见交通参与者行为却极少出现。因此，现代数据采集策略强调“场景驱动”，即先定义需要覆盖的场景清单，再规划采集路线和任务。

4.2.1 场景分类体系与覆盖矩阵

一个完整的采集场景体系应包含以下维度：

• 道路类型：高速公路、城市快速路、城市主干道、次干道、支路、园区道路、乡村道路、停车场/地下车库。
• 天气与光照：晴天、阴天、雨天（小雨/大雨）、雪天、雾天、夜间（有路灯/无路灯）、黄昏/黎明、隧道内、逆光/顺光。
• 交通流状态：畅通、缓行、拥堵、严重拥堵、事故现场、施工区域、临时交通管制。
• 动态交通参与者：行人（成人/儿童/打伞/推婴儿车）、两轮车（自行车/电动车/摩托车）、大型车辆（公交车/卡车/挂车）、特殊车辆（救护车/警车/洒水车）。
• 边缘场景（Corner Case）：前车急刹、行人突然横穿、非机动车逆行、路面遗撒物、动物穿行、施工改道、交通信号灯故障。

建议使用“场景覆盖矩阵”来管理采集进度，横轴为道路类型，纵轴为天气/光照条件，每个单元格标注已采集的有效数据时长和目标时长。例如，城市主干道+雨天+夜间这一组合，如果目标为50小时，而当前仅有12小时，则需安排专项夜间雨天采集任务。

4.2.2 采集任务规划方法

场景采集任务规划应遵循“二八原则”：80%的采集里程用于覆盖高频常见场景（保证基础性能），20%的里程用于专项采集低频但高风险的边缘场景。具体操作流程如下：

1. 场景清单定义：由算法团队、测试团队和数据团队共同评审，输出季度场景需求清单，标注优先级（P0/P1/P2）。
2. 路线规划：基于场景清单，在目标城市中筛选符合条件的路段。例如，要采集“雨天+隧道+拥堵”场景，需在地图上标注出所有带隧道的城市快速路，并结合天气预报安排出车。
3. 任务下发与执行：通过采集管理平台将任务推送到采集车端，驾驶员/安全员按照导航提示行驶，系统自动记录场景标签（如进入隧道、检测到拥堵）。
4. 数据回传与筛选：采集数据回传后，通过自动场景挖掘工具（基于感知结果的触发条件）筛选出有效片段，剔除冗余数据。

4.2.3 案例拆解：雨天场景专项采集

某项目在模型测试中发现，雨天场景下的感知准确率比晴天低12%，主要问题集中在：雨滴在摄像头镜头上形成光晕、激光雷达点云在雨幕中产生噪点、毫米波雷达对积水路面的多径反射。为改善这一状况，数据团队设计了为期三周的雨天专项采集计划。

具体执行过程如下：

• 约束条件：采集城市为上海（梅雨季），采集时段为4:00-10:00和18:00-24:00（雨量较大时段），共投入6台采集车。
• 采集策略：每台车按照预设的“雨天路线包”行驶，路线覆盖高架、地面道路、隧道、桥梁等不同场景。同时要求驾驶员在雨量达到中雨以上时开启雨刮中高速档，记录不同雨刮速度对摄像头视野的影响。
• 数据标注：对采集到的雨天数据额外标注“雨滴遮挡程度”（无/轻微/严重）、“路面水膜反光强度”（低/中/高）、“前车尾灯可见性”等属性。
• 结果对比：三周共采集有效数据约4000分钟，经过清洗后得到可用片段2800分钟。利用这些数据重新训练感知模型后，雨天场景的mAP（平均精度均值）从78.5%提升到86.2%，但仍低于晴天的91.3%。

复盘发现，单纯增加数据量并不能完全解决雨天感知问题，还需要结合传感器硬件优化（如摄像头镜头镀膜、激光雷达算法滤波）和仿真数据增强（合成雨滴噪点）共同作用。这次采集的另一个收获是发现了“雨刮器运动轨迹对摄像头画面的周期性遮挡”这一此前被忽视的问题，为后续硬件布置提供了改进方向。

4.3 数据质量与多样性要求

数据质量是数据闭环的生命线。低质量数据不仅浪费标注成本，更会引入模型训练噪声，导致感知性能下降。数据多样性则保证了模型在不同场景下的泛化能力。两者需要同时满足，缺一不可。

4.3.1 数据质量评估指标体系

数据质量评估应从以下四个维度展开：

在采集端，需要建立自动化的数据质量检查流水线。例如，当检测到摄像头画面连续10帧以上模糊、或激光雷达点云反射强度异常偏低时，系统应自动标记该片段并通知采集车驾驶员检查传感器表面是否有污渍或遮挡。

4.3.2 多样性保障策略

数据多样性不能仅靠“多跑路”自然获得，需要主动设计。常用的策略包括：

• 地理多样性：在不同城市（一线/二三线/县城）、不同地形（平原/山区/丘陵）、不同道路规划风格（环形立交/平面交叉）的区域采集。
• 时间多样性：覆盖一天24小时中不同时段，尤其是凌晨、早晚高峰、午夜等特殊时段。
• 气候多样性：在雨季、冬季、雾季等不同气候窗口安排采集任务。
• 事件多样性：主动寻找或制造特殊事件场景，如跟随救护车行驶、在施工区域绕行、参与大型活动散场车流等。

为了量化多样性，可以建立“场景分布熵”指标。假设场景类别共有N类，每类数据量为n_i，总数据量为N_total，则分布熵H = -Σ(n_i/N_total)·log(n_i/N_total)。熵值越高，说明数据分布越均匀。建议将熵值控制在0.7-0.9之间（归一化后），避免某一类场景占比过高导致模型过拟合。

4.3.3 案例拆解：数据清洗与场景均衡

某自动驾驶团队从采集车队回传了10万分钟的城市道路数据。初步统计显示：晴天白天数据占75%，夜间数据占15%，雨天数据仅占5%，雪天数据为0（采集城市位于南方）。在模型训练时发现，夜间检测准确率比白天低20%，雨天低15%。

团队采取了以下措施：

1. 数据清洗：使用自动筛选工具剔除重复场景（基于感知结果的特征向量相似度），将10万分钟数据压缩至6.5万分钟，去除了35%的冗余数据。
2. 场景均衡：针对夜间和雨天数据不足的问题，一方面安排北方城市冬季采集任务（补充雪天数据），另一方面利用生成对抗网络（GAN）将部分白天数据转换为夜间风格，将雨天数据量从5000分钟扩充到2万分钟。
3. 质量复核：对扩充后的数据进行人工抽检，确保合成数据的标注质量与真实数据一致。

最终，训练数据集的场景分布熵从0.52提升到0.78，夜间和雨天场景的感知准确率分别提升了11%和9%。但团队也发现，合成数据在边缘细节（如雨滴反光形状、夜间灯光光晕）上与真实数据仍有差异，因此将合成数据比例控制在总数据量的20%以内，避免模型对合成特征产生依赖。

4.4 常见误区与总结复盘

在数据采集策略的制定和执行过程中，以下误区值得特别注意：

• 误区一：传感器越多越好。实际上，传感器数量增加会带来数据量激增、标定复杂度上升、计算负载加重等问题。合理的做法是根据功能需求确定最小必要配置，再根据失败案例逐步增加冗余。
• 误区二：场景采集只关注“多”不关注“精”。大量重复场景数据对模型提升毫无帮助，反而增加了存储和标注成本。应建立场景价值评估机制，优先采集模型当前表现差的场景。
• 误区三：数据质量只关注标注环节。实际上，采集端的传感器标定漂移、时间同步偏差、曝光异常等问题，会在源头污染数据，且后期难以完全修复。质量管控应前移到采集端。
• 误区四：忽视数据合规性。在采集过程中涉及行人面部、车牌等个人信息时，需要遵守相关法规进行匿名化处理。在部分区域（如军事管理区、政府机关）禁止采集，需要提前规划路线规避。

总结而言，数据采集策略的核心在于“目标导向、场景驱动、质量闭环”。传感器配置决定了数据的物理边界，场景设计决定了数据的覆盖广度，质量与多样性要求决定了数据的可用价值。三者相互关联，需要在数据闭环的迭代过程中持续优化。建议团队建立定期的数据采集策略评审机制，每季度根据模型表现、仿真失败案例和业务需求变化，调整传感器配置方案、更新场景清单、优化质量指标，确保数据采集始终服务于自动驾驶系统的真实能力提升。