自動駕駛中常提的“專家數(shù)據(jù)”是個啥？

[首發(fā)于智駕最前沿微信公眾號]在談及自動駕駛時，經(jīng)常會聽到一個概念，那便是“專家數(shù)據(jù)”。專家數(shù)據(jù)，說白了就是“按理應(yīng)該這么做”的那類示范數(shù)據(jù)。它不是隨機(jī)抓來的日志，也不是隨便標(biāo)注的標(biāo)簽，而是來源可靠、能代表正確或優(yōu)良駕駛決策的記錄。這里的“專家”可以是經(jīng)驗(yàn)豐富的人類駕駛員，也可以是經(jīng)過驗(yàn)證的規(guī)則引擎、成熟的自動化控制器，或者在高保真仿真里由資深設(shè)計者反復(fù)產(chǎn)出的標(biāo)準(zhǔn)行駛案例，這些數(shù)據(jù)能告訴機(jī)器在特定感知輸入下，安全且合理的反應(yīng)應(yīng)該是什么樣子。

專家數(shù)據(jù)的主體通常包含兩部分，一是低層的同步傳感器流和控制量，例如前向相機(jī)、激光雷達(dá)、毫米波雷達(dá)、IMU、GNSS與車輛CAN總線里的方向盤角度、油門、制動等；二是高層的語義信息或者行為標(biāo)注，比如當(dāng)前目標(biāo)的語義類別、車輛軌跡示范、操作意圖（如“變道”“減速避讓”）、風(fēng)險判斷或者場景標(biāo)簽（夜間、雨天、施工區(qū)等）。把這些信息組合起來，就能得到既有“眼睛看到什么”，又有“該怎么做”的完整示范案例，這正是專家數(shù)據(jù)的核心價值所在。

專家數(shù)據(jù)有什么形式？

專家數(shù)據(jù)的表現(xiàn)形式比較多樣，不能只用一種標(biāo)準(zhǔn)去定義。最直觀的專家數(shù)據(jù)是“示范軌跡”，在真實(shí)道路或仿真環(huán)境中，專家駕駛員在感知輸入變化時如何操縱車輛，系統(tǒng)記錄下每一幀的感知與對應(yīng)的控制，這就是端到端學(xué)習(xí)常用的方式。另一類是如感知模塊需要的語義分割、目標(biāo)檢測框、物體追蹤ID，以及地圖語義、車道邊界、可通行區(qū)域等結(jié)構(gòu)化標(biāo)簽型數(shù)據(jù)，這類標(biāo)簽常由人工或半自動化工具生成，用來監(jiān)督感知子模塊訓(xùn)練。

還有行為語義標(biāo)簽，這是專家數(shù)據(jù)中更靠上層的部分，包含“為什么這么做”的解釋性信息，比如“此處減速是因?yàn)榍胺叫腥苏诳拷嚨馈薄霸诖寺房谶x擇延后左轉(zhuǎn)以避免與公交沖突”等駕駛習(xí)慣。這樣的標(biāo)簽通常需要有駕駛經(jīng)驗(yàn)的人來判斷，因此標(biāo)注成本較高，但對提升決策模塊的可解釋性和魯棒性非常重要。仿真示范也是專家數(shù)據(jù)的一種常見形式，在安全或極端場景里，真實(shí)人類示范難以獲取時，通過高保真仿真讓規(guī)則化專家或資深測試人員在大量長尾場景中生成示范數(shù)據(jù)，用以補(bǔ)充現(xiàn)實(shí)世界樣本。

專家數(shù)據(jù)的核心作用

專家數(shù)據(jù)的作用可以概括為訓(xùn)練與驗(yàn)證兩個層面。專家數(shù)據(jù)是監(jiān)督學(xué)習(xí)中最直接的“老師”。在模仿學(xué)習(xí)或行為克隆框架里，模型通過觀察專家在給定感知輸入下的動作，學(xué)習(xí)把輸入映射為合適的控制或軌跡。沒有高質(zhì)量的專家示范，模型很難學(xué)到既安全又符合人類期望的駕駛策略。特別是對于端到端或一段式模型，專家數(shù)據(jù)幾乎是唯一的監(jiān)督來源，這決定了模型的基本駕駛風(fēng)格與規(guī)則遵守程度。

專家數(shù)據(jù)也是評估與回歸測試的基準(zhǔn)。把自動駕駛系統(tǒng)在某一場景下的輸出與專家示范進(jìn)行比對，可以量化偏差、判定風(fēng)險并發(fā)現(xiàn)系統(tǒng)的失效模式。這一點(diǎn)在迭代開發(fā)和安全論證中非常關(guān)鍵：團(tuán)隊(duì)可以用專家數(shù)據(jù)來回答“系統(tǒng)在常見場景里能否做到和專家一樣安全？”或者“在哪些情形下系統(tǒng)偏離了專家的合理決策？”此外，專家數(shù)據(jù)還能作為事故后溯源分析的重要依據(jù)，幫助判斷系統(tǒng)行為是否符合既定安全策略，從而支持合規(guī)和法律審查。

專家數(shù)據(jù)對定義操作設(shè)計域（ODD）更有直接作用。通過統(tǒng)計不同場景下專家的選擇，可以把“系統(tǒng)能安全運(yùn)行的邊界”描述得更清楚，例如在什么路況、能見度和交通密度下專家仍然能保持安全操作。這個對產(chǎn)品化和監(jiān)管合規(guī)都很有幫助，因?yàn)楸O(jiān)管機(jī)構(gòu)常常要求明確系統(tǒng)的可接受運(yùn)行條件以及在超出條件時的退讓策略（例如人工接管或降級到更保守的模式）。

自動駕駛汽車從路上收集來的海量駕駛?cè)罩纠铮粌H有優(yōu)秀示范，也有人為失誤、習(xí)慣性違規(guī)、臨時應(yīng)激反應(yīng)等噪聲。如果把這些未篩選的數(shù)據(jù)直接當(dāng)作“專家”去訓(xùn)練模型，模型可能會把某些不良習(xí)慣學(xué)進(jìn)去，導(dǎo)致安全隱患。專家數(shù)據(jù)強(qiáng)調(diào)的是“可復(fù)制、可解釋且符合安全規(guī)范的示范”，因此除了來源可靠以外，還需要明確的質(zhì)量控制。這包括示范者的資質(zhì)、示范的一致性、標(biāo)注的一致性、以及對關(guān)鍵決策點(diǎn)的注釋等。沒有這些保障，數(shù)據(jù)雖然數(shù)量多但價值低，反而可能誤導(dǎo)學(xué)習(xí)過程。

專家數(shù)據(jù)在不同架構(gòu)里的作用差別

在模塊化架構(gòu)下，專家數(shù)據(jù)主要用于訓(xùn)練和校驗(yàn)各個獨(dú)立模塊。感知模塊依賴人工標(biāo)注的物體與語義標(biāo)簽，定位模塊依賴高精定位和地圖參考，預(yù)測與規(guī)劃模塊使用專家示范的軌跡和行為標(biāo)簽來優(yōu)化決策邏輯。在這種方式里，專家數(shù)據(jù)的結(jié)構(gòu)化和語義清晰性尤其重要，因?yàn)閿?shù)據(jù)需要被拆分并分別投入不同模塊的訓(xùn)練流程。

而在端到端或一段式學(xué)習(xí)中，專家數(shù)據(jù)直接連接感知輸入和控制輸出，模型學(xué)習(xí)的是從“眼睛看到什么”到“手腳怎么動”的映射關(guān)系。端到端模型對示范的一致性、時序?qū)R和覆蓋廣度要求非常高，任何時間戳錯誤或控制信號延遲都可能使示范變得誤導(dǎo)性更強(qiáng)。此外，端到端訓(xùn)練對長尾場景的依賴更重，因此通常需要大量多樣化的專家示范，或結(jié)合仿真數(shù)據(jù)和數(shù)據(jù)增強(qiáng)手段來彌補(bǔ)現(xiàn)實(shí)采集的不足。

專家數(shù)據(jù)如何提升安全與可解釋性

專家數(shù)據(jù)本身帶著人類決策的意圖和理由，這為可解釋性提供了天然的切入點(diǎn)。若在示范中同時記錄高層語義（如“為什么在此時選擇合流”或“選擇停車而不是繞行的理由”），模型在出問題時可以被檢驗(yàn)是否偏離了這些理由。對于車企來說，這種對照能幫助他們追溯決策鏈，識別規(guī)劃或控制中的潛在風(fēng)險點(diǎn)，從而更有針對性地改進(jìn)系統(tǒng)或增設(shè)保護(hù)措施。

此外，把專家示范作為“約束”融入訓(xùn)練（如通過偏好學(xué)習(xí)或逆向強(qiáng)化學(xué)習(xí)把人類偏好編碼為獎勵函數(shù)），可以在追求性能的同時保留人類可接受的行為模式。這在用戶體驗(yàn)和合規(guī)性方面都很重要，因?yàn)閱渭儍?yōu)化某個指標(biāo)（比如最短時間到達(dá)）可能會犧牲舒適性或安全性，而專家數(shù)據(jù)能夠提供平衡這些目標(biāo)的經(jīng)驗(yàn)依據(jù)。

最后的話

專家數(shù)據(jù)就是高質(zhì)量、有代表性的示范數(shù)據(jù)，它把“看見”與“做法”結(jié)合，用來教會自動駕駛系統(tǒng)在復(fù)雜交通場景下如何安全、合理地行動。它既是訓(xùn)練模型的直接監(jiān)督信號，也是評估與安全驗(yàn)證的金標(biāo)準(zhǔn)。與普通駕駛?cè)罩静煌瑢＜覕?shù)據(jù)強(qiáng)調(diào)來源可信、標(biāo)注嚴(yán)謹(jǐn)和語義清晰，這些特性決定了它在自動駕駛研發(fā)和合規(guī)審查中的高價值。

如果把自動駕駛開發(fā)比作培養(yǎng)一個可靠的司機(jī)，普通日志是大量的路況教科書，而專家數(shù)據(jù)是那些經(jīng)驗(yàn)豐富的導(dǎo)師親自出題并示范正確做法。沒有這些導(dǎo)師式的示范，系統(tǒng)很難學(xué)會在關(guān)鍵時刻做出既安全又合乎人類預(yù)期的決策。