二、数据采集策略：传感器选型与标定、场景覆盖度分析、长尾场景挖掘方法论
数据采集这件事，说起来好像很简单——装几个传感器，开车出去转一圈，数据不就来了吗？
嗯，我刚入行时也是这么想的。直到第一次做量产项目，发现采集回来的数据90%都是无效的，才意识到这里面的门道有多深。
说白了，数据采集不是「堆数据」，而是「设计数据」。你采集什么、怎么采、采多少，直接决定了你算法的上限。
2.1 传感器选型与标定
传感器选型，我个人的习惯是「先定任务，再定传感器」。别上来就盯着激光雷达的线数、相机的分辨率看，先问问自己：我的车要解决什么问题？
2.1.1 主流传感器对比
| 传感器类型 | 优势 | 劣势 | 典型场景 |
|---|---|---|---|
| 摄像头 | 纹理丰富、成本低、可识别语义 | 受光照影响大、无深度信息 | 车道线、交通标志、障碍物分类 |
| 激光雷达 | 精确深度、全天候、不受光照影响 | 成本高、点云稀疏、无法识别纹理 | 障碍物检测、SLAM、高精地图 |
| 毫米波雷达 | 测速精准、穿透雨雾、成本适中 | 角度分辨率低、无法识别静止物体 | ACC、AEB、盲区检测 |
| 超声波雷达 | 近距离探测、成本极低 | 探测距离短、精度一般 | 泊车辅助、近距离障碍物检测 |
我的经验：量产项目里，摄像头+毫米波雷达是「黄金组合」。激光雷达目前还是偏贵，除非你做L4级以上的Robotaxi，否则别轻易上。我在一个项目里见过团队为了「炫技」上了128线激光雷达，结果数据量太大，算法根本跑不动，最后又换回了16线。
2.1.2 传感器标定——避坑指南
传感器装好了，标定就是第一道坎。标定不准，后面所有算法都是空中楼阁。
我曾经踩过的坑：有一次做多传感器融合，激光雷达和相机的标定参数差了2个像素。你猜怎么着？障碍物检测的mAP直接掉了5个点。后来花了整整一周排查，才发现是标定板上的角点检测出了问题。
标定主要分两类：
- 内参标定：确定传感器自身的参数，比如相机的焦距、畸变系数，激光雷达的旋转轴偏移等。相机标定推荐用棋盘格，激光雷达标定可以用V字型靶标。
- 外参标定：确定传感器之间的相对位姿。常用的方法有：基于标定板的联合标定、基于自然场景的在线标定。
我个人建议，量产车一定要做「在线标定」。为什么？因为车开久了，传感器会因为振动、温度变化而发生微小的位移。你想想看，出厂时标定得再好，开半年后参数可能就变了。
标定流程（以相机-激光雷达联合标定为例）：
1. 准备标定板（棋盘格或圆点阵列）
2. 采集多组不同位姿的数据
3. 提取相机图像中的角点
4. 提取激光雷达点云中的标定板平面
5. 构建重投影误差函数
6. 使用非线性优化求解外参矩阵
7. 验证：将激光点投影到图像上，检查对齐精度2.2 场景覆盖度分析
数据采集最怕什么？最怕「数据偏置」。你采集的数据全是晴天、白天、高速路，那模型到了雨天、夜晚、城市道路就崩了。
为什么会这样？因为深度学习模型本质上是在「记忆」训练数据的分布。你给它的数据分布窄，它的泛化能力就弱。
2.2.1 场景覆盖度评估维度
我一般从三个维度来评估场景覆盖度：
- 环境维度：光照（白天/夜晚/黄昏/黎明）、天气（晴/雨/雪/雾/霾）、季节（春/夏/秋/冬）
- 道路维度：道路类型（高速/城市/乡村/隧道/桥梁）、车道数（单车道/多车道）、路面状况（干燥/湿滑/积雪/施工）
- 交通维度：交通密度（稀疏/正常/拥堵）、交通参与者类型（行人/自行车/摩托车/汽车/卡车）、交通规则（有信号灯/无信号灯/环岛/人行横道）
一个实用的方法：用「场景覆盖矩阵」来可视化。横轴是环境维度，纵轴是道路维度，每个格子代表一个场景组合。比如「白天+雨天+城市道路」就是一个格子。你采集的数据填满了多少格子？填得越满，覆盖度越高。
2.2.2 覆盖度量化指标
光定性分析不够，还得定量。我常用的指标有两个：
- 场景覆盖率：已采集的场景组合数 / 总场景组合数。比如你定义了100个场景组合，采集到了80个，覆盖率就是80%。
- 场景均衡度：用信息熵来衡量。如果所有场景的数据量差不多，均衡度就高；如果某个场景占了90%的数据，均衡度就低。
注意：覆盖率不是越高越好。有些场景组合在实际中根本不存在（比如「雪天+沙漠公路」），强行追求100%覆盖率反而浪费资源。我一般建议覆盖率达到70%-80%就够用了，剩下的用数据增强和仿真来补。
2.3 长尾场景挖掘方法论
长尾场景，说白了就是那些「很少出现，但一旦出现就很要命」的场景。比如：
- 一个行人突然从路边停着的卡车后面冲出来
- 路上掉了一个轮胎
- 施工区域临时改道，车道线被覆盖了
这些场景在真实路测中可能几万公里才遇到一次，但自动驾驶系统必须能处理。否则，一次事故就足以毁掉整个项目。
2.3.1 长尾场景挖掘的三种方法
我总结了三类方法，按成本从低到高排列：
- 基于规则的方法：设定一些「异常检测规则」，比如检测到急刹车、突然变道、障碍物突然出现等事件时，自动触发数据采集。这个方法成本最低，但只能挖到「已知的未知」。
- 基于模型的方法：用已有的感知模型去跑数据，把模型「不确定」或「犯错」的场景挑出来。比如检测框的置信度低于某个阈值，或者模型输出的结果与真值差异很大。这个方法能挖到「未知的未知」。
- 基于仿真的方法：在仿真环境中构造长尾场景。比如随机生成各种形状的障碍物、各种光照条件、各种交通参与者的行为。这个方法最灵活，但仿真和真实世界之间还有「sim-to-real gap」。
我的建议：三种方法结合使用。先用规则方法做「广撒网」，再用模型方法做「精准捕捞」，最后用仿真方法做「补全」。我在一个项目中用这套组合拳，把长尾场景的发现效率提升了3倍。
2.3.2 长尾场景的优先级排序
挖到了长尾场景，不可能全部处理。资源有限，得排优先级。我一般用「风险矩阵」来排序：
| 风险等级 | 发生频率 | 后果严重度 | 处理优先级 |
|---|---|---|---|
| 高 | 高 | 高 | 立即处理 |
| 中 | 中 | 高 | 尽快处理 |
| 低 | 低 | 高 | 持续监控 |
| 忽略 | 低 | 低 | 暂不处理 |
我曾经犯过的错：一开始我把所有长尾场景都当成「高优先级」，结果团队疲于奔命，一个场景都没处理好。后来才明白，有些场景虽然后果严重，但发生频率极低（比如「陨石砸中车」），你花大量资源去处理它，性价比太低了。
2.3.3 长尾场景的数据增强
挖到了长尾场景，数据量往往很少。怎么办？数据增强。
我常用的增强方法：
- 几何增强：旋转、缩放、裁剪、翻转。适合所有传感器数据。
- 光度增强：调整亮度、对比度、饱和度、添加噪声。适合图像数据。
- 点云增强：随机丢弃点、添加高斯噪声、局部变形。适合激光雷达数据。
- 混合增强：把不同场景的背景和前景拼接在一起。比如把「雨天」的背景和「行人横穿马路」的前景合成。
一个实用的技巧：不要盲目增强。先分析长尾场景的「关键特征」是什么，然后针对性地增强。比如「夜间行人」场景，关键特征是低光照和行人轮廓模糊，那你就重点做亮度降低和边缘模糊的增强。我试过，针对性增强比通用增强的效果好2倍以上。
好了，数据采集策略这部分就讲到这里。下一章我们聊聊数据标注——嗯，这又是一个大坑，到时候我给你们讲讲我踩过的那些坑。