01
课程导论与数据回放基础
什么是数据回放？为什么它对车道线模型调优至关重要？课程目标与整体架构。
导论回放基础
02
环境搭建与工具链准备
Python虚拟环境、CUDA/cuDNN、PyTorch/TensorFlow安装、ROS2环境配置。
环境工具链
03
数据采集与传感器标定
相机、激光雷达、IMU的联合标定原理，标定板制作与数据采集流程。
标定采集
04
数据格式与存储规范
Rosbag、NuScenes、KITTI格式解析，自定义数据格式设计原则。
格式存储
05
数据回放引擎核心概念
时间戳同步、消息发布频率控制、回放速度调节（1x, 0.5x, 2x）。
引擎同步
06
基于ROS2的数据回放实战
编写Python节点读取Rosbag并发布话题，可视化验证。
ROS2实战
07
车道线数据集构建
从原始数据中提取车道线标注，数据清洗与增强策略。
数据集标注
08
车道线模型选型与基准
经典模型（LaneNet, SCNN, UFLD）对比，模型复杂度与精度权衡。
模型基准
09
模型训练基础Pipeline
数据加载器（DataLoader）设计，损失函数（CrossEntropy, Dice Loss）选择。
训练Pipeline
10
数据回放驱动的训练策略
在线数据增强、难例挖掘、动态采样权重调整。
策略增强
11
回放数据质量评估
标注一致性检查、遮挡/光照分布统计、长尾场景识别。
质量评估
12
模型推理与回放联调
将模型部署到回放引擎中，实时推理并叠加可视化结果。
推理联调
13
性能瓶颈分析与优化
CPU/GPU利用率监控，数据加载瓶颈定位，异步预处理。
性能优化
14
回放参数调优实战
调整回放速度、缓存大小、消息丢弃策略对训练效果的影响。
参数调优
15
多传感器融合回放
相机与激光雷达数据对齐，BEV视角下的车道线融合。
融合BEV
16
场景标签与条件回放
按天气、光照、道路类型筛选数据，针对性调优。
场景筛选
17
回放日志与监控系统
记录回放过程中的关键指标（FPS, 延迟, 内存占用）。
监控日志
18
A/B测试框架设计
在回放引擎中实现模型版本对比，量化调优效果。
A/B测试对比
19
自动化调优Pipeline
基于回放数据的超参数搜索（Optuna, Ray Tune）。
自动化超参数
20
边缘场景挖掘与回放
施工区域、磨损车道线、夜间低光照场景的专项调优。
边缘场景鲁棒性
21
模型量化与部署回放
TensorRT/ONNX Runtime集成，在回放中验证量化精度损失。
量化部署
22
回放数据版本管理
DVC/LFS实践，数据溯源与实验复现。
版本管理DVC
23
分布式回放与训练
多节点数据回放，数据分片与梯度同步策略。
分布式同步
24
回放引擎安全性设计
数据脱敏、异常检测、回放沙箱机制。
安全沙箱
25
实车数据回放与仿真闭环
将路采数据注入仿真环境，闭环测试模型。
仿真闭环
26
模型鲁棒性测试
对抗样本生成、噪声注入、传感器故障模拟。
鲁棒性测试
27
回放驱动的模型蒸馏
用回放数据训练轻量级学生模型。
蒸馏轻量
28
持续集成/持续部署（CI/CD）集成
将回放测试纳入自动化流水线。
CI/CD自动化
29
案例实战：高速公路车道线模型调优全流程
从数据采集到部署，完整实战案例。
实战全流程
30
课程总结与前沿展望
端到端模型、世界模型、数据驱动的新范式。
总结前沿