隨著自動駕駛技術的不斷發展，數據閉環將在其中發揮越來越重要的作用。未來，數據閉環系統將更加高效、智能和低成本化，在自動駕駛領域，數據閉環正逐漸成為提升系統能力的核心要素。

一、自動駕駛的三個階段

1.第一階段：傳統方案中:感知、預測、PNC拆分，各自訓練各自優化，相互鏈接，但模型結構、輸入輸出、標注格式規范均不一樣，采用交付長尾數據，標注規范、模型結構、數據解析處理等問題由感知、PNC自行解決；

2.第二階段：感知、PNC模型固定，數據結構化形式固定，所有的數據任務轉移至數據算法團隊，從交付數據轉換到交付格式化真值(標注好的數據) 此階段可行性業界已驗證；

3.第三階段：經過大量的數據沉淀，滿足端到端大模型的數據需求，感知、PNC模型相互融合后，模型生產完全依賴數據輸入，所有的模型產出，感知PNC只負責提交任務場景模型場景需求，所有的任務由數據算法團隊自動產出，包括模型、測試集、仿真、QA測試報告等。

二、數據閉環技術的實現目標

1.建立長尾數據閉環迭代能力，結合平臺計算、數倉等建立自動化能力，減少人工定制化干預，釋放人力，增加數據吞吐能力，快速解決corner case數據量不足的問題；

2.凝練出高精度的真值模型(自標注模型)，可以對感知表現不好的bad case形成模型錯題集，補齊模型短板、修復問題；

3.從交付單個數據項目，進化到交付通用產線能力，建立快速挖掘、快速交付、快速迭代修復、快速評測的閉環能力，提升自動駕駛數據反饋速度和效率。

三、數據閉環3個核心和6個平臺

數據流轉、模型生產、車云端輸出是數據閉環的3個核心內容。

數據閉環的6個平臺

數據閉環整體方案包括六個部分：

• 數據管理平臺:用于存儲原始數據、標注數據、各類標簽(模型輸出、圖搜、原始數據、標簽大庫等)、車輛數據質檢(數據缺失)；
• 標注平臺:用于接受標注任務、標注能力(2d/3d，圖像/點云)，輸出標注結果至數據管理平臺；
• 仿真平臺:用于測試模型在實際場景中的長尾挖掘能力、測試感知、PNC模型的問題case是否解決等等
• 模型訓練平臺:用于訓練挖掘模型，感知模型(不同于paddlecloud)，更靈活，數據格式來源標注平臺
• 數據挖掘平臺:用于解析數據、規則編寫、模型結果獲取、刷庫、評測等功能；
• 實車下發平臺:用于配置車端規則、模型量化、模型打包發布、下發、數據回傳等。

建立數據閉環能力的工作流程如下圖所示：

四、數據閉環的意義

1、破解“長尾問題”：高效捕獲邊緣場景

自動駕駛系統的失效往往源于邊緣場景（corner case），例如暴雨中模糊的車道線、橫穿馬路的非標障礙物等。傳統路測受限于時間和成本，難以覆蓋海量邊緣場景。通過在量產車上部署數據采集系統，當自動駕駛系統遇到處理不佳的情況時，能夠觸發數據回傳。當系統檢測到駕駛員接管、緊急制動或感知置信度驟降時，自動記錄前后30秒的多模態數據（攝像頭、雷達、IMU等），形成動態場景庫。

2、 實現模型“持續進化”：從靜態訓練到動態學習

傳統深度學習模型依賴固定數據集訓練，難以適應復雜多變的真實路況。隨著自動駕駛從高速場景向城市復雜場景拓展，車輛需要面對各種不同的路況和交通狀況。為了使自動駕駛系統能夠適應不同城市的多樣化路況，需要采集大規模真實人駕數據。這些數據涵蓋各種場景，有助于模型學習到更廣泛的特征和模式，從而提高其泛化能力，使系統在不同環境下都能穩定可靠地運行。

3、重塑開發范式：從V模型到數據驅動

自動駕駛系統需要不斷提升其感知、規劃和決策等環節的能力，傳統V型開發流程（需求-設計-驗證）難以應對高等級自動駕駛的動態需求，而數據驅動的算法迭代是實現這一目標的高效方式。基于深度學習的人工智能算法發展至今，通過數據閉環，工程師能夠利用新采集的數據對神經網絡模型進行持續訓練和優化。例如，在感知層面，利用大量數據訓練BEV+Transformer模型，有望提升其對周圍環境的識別精度；在規劃層面，特斯拉采用數據驅動的決策樹生成模型，大大縮短了規劃路徑的計算時間，實現了規劃算法的迭代升級。

五、數據閉環在量產車的落地場景

1、提升量產車數據采集能力

數據閉環的實現路徑中，數據采集是關鍵環節。在啟動階段，數據采集主要依賴研發采集車，通過專業設備和傳感器在各種路況下收集數據，為自動駕駛系統的開發提供了基礎。然而，隨著技術的演進和市場需求的增長，量產車逐漸成為數據采集的主力軍。特別是高階智駕系統在量產車中的滲透率不斷提升，這些車輛在日常行駛中能夠產生海量的數據。

相比研發采集車，量產車的數據采集具有顯著優勢。一方面，量產車數量龐大，覆蓋范圍廣，能夠收集到更多樣化的路況和場景數據，有助于提升自動駕駛系統對各種復雜環境的適應能力。另一方面，量產車的數據采集是實時進行的，能夠及時反映道路狀況的變化，為系統的更新和優化提供更及時的依據。

此外，量產車的數據采集還能夠更好地體現真實用戶在實際駕駛中的行為和習慣，為自動駕駛系統的決策算法提供了更貼近現實的訓練數據。因此，隨著組合輔助駕駛系統在量產車中的普及，量產車的數據采集能力得到了顯著提升，為智能化技術的持續發展和優化提供了強大的數據支持。

2. 云端技術和AI算法驅動

云端技術的成熟為數據的存儲、處理和模型訓練提供了強大的支持。自動駕駛開始逐漸進入數據驅動的時代，車企和自動駕駛技術提供商能夠借助云端平臺實現數據的高效管理和利用，通過數據閉環不斷提升系統的性能。

AI算法的發展，特別是無監督和半監督學習算法的興起，使得計算機能夠通過自學習的方式對數據進行清洗和算法迭代。AI算法解決學習效率問題，數據解決學習內容問題，二者相輔相成，共同推動了數據閉環在自動駕駛領域的發展。

總結 

隨著自動駕駛技術的不斷發展，數據閉環將在其中發揮越來越重要的作用。未來，數據閉環系統將更加高效、智能和低成本化。在工具鏈方面，隨著技術的成熟和經驗的積累，工具鏈將不斷完善，實現更高的自動化和智能化水平，進一步提升研發效率和降低成本。數據閉環的發展將推動自動駕駛系統向更高級別演進，實現更安全、便捷和智能的駕駛體驗，為智慧交通和未來出行奠定堅實基礎。

本文轉載自??數字化助推器??  作者：天涯咫尺TGH