智驾训练数据越来越多，为什么同类问题还是反复出现？

不知道大家有没有遇到过这样的情况，当智驾系统在某处施工路段出现了绕行不当的问题，补充了相关数据并调整模型后，车辆在这处路段的表现的确有所改善。

但换到另一处施工现场，面对不同的临时标线、道路宽度和周围车辆行为时，系统仍然可能出现不合理减速、犹豫不决或绕行不当。

随着训练数据持续积累、模型不断迭代，为什么有些驾驶问题还是会反复出现？

其实出现这个问题不一定是数据数量不足。

对于智驾系统来说，采集到某种场景，不代表训练数据已经充分覆盖相关问题；模型在已有数据上取得更好的结果，也不代表它已经学会了在不同条件下稳定处理同类场景。

01

为什么数据越来越多

复杂场景还是处理不好？

真实道路上的驾驶数据存在明显的分布差异。

在训练数据中，常规跟车、车道保持等场景可能占据较大比例，而施工改道、非机动车突然横穿、多车交互等场景的覆盖程度，则取决于采集路线、数据筛选和训练集构成。

这些场景中的道路结构、交通参与者行为及其组合，又存在多种变化。

如果新增数据主要来自常见驾驶场景，训练集规模虽然扩大了，模型在关键场景上的经验却未必同步增加。

图片源自：网络

即使数据中包含大量施工路段，如果道路宽度、标线状态和车辆交互方式高度相似，也很难覆盖真实道路中的各种变化。

更复杂的问题来自多个因素同时出现。

举个例子，施工路段中既有原有车道线，也有临时标线和锥桶。系统需要结合道路结构、障碍物位置和周围车辆的运动状态，判断当前可通行区域，并规划合适的行驶轨迹。若相邻车辆突然切入，原本可行的通过路径还可能需要重新评估。

模型见过锥桶，不代表它一定能正确理解施工区域；见过车辆切入，也不代表它一定能处理施工改道与车辆切入同时发生的情况。

衡量训练数据的价值，不能只看累计里程、采集时长或样本数量，还需要分析场景分布、关键因素的组合，以及不同驾驶行为是否得到充分覆盖。

新增数据能否补上模型原有的能力短板，比单纯增加数量更值得关注。

02

即便采集到了失败数据

问题还是解决不了？

当智驾系统出现问题后，就需要回溯数据，分析问题发生在哪个环节，再决定如何改进训练。

以施工路段中的不合理减速为例，问题可能涉及临时道路边界识别不准确，也可能是系统已经识别出可通行区域，却没有充分考虑相邻车辆的运动趋势。

还有一种情况是系统能够生成可行轨迹，但轨迹中的速度变化或转向幅度不够合理。

这些问题表面上都表现为车辆减速不合理，背后的原因却可能完全不同。

如果没有找到影响驾驶行为的关键因素，只是不断补充相似的驾驶记录，模型未必能够获得有效改善。

数据的质量和组织方式也会影响训练效果。

对于多传感器训练方案，数据的时间同步与空间对齐是否准确十分重要；采用监督学习时，标签或参考轨迹是否可靠同样值得关注。

此外，困难样本在训练数据中的占比、采样方式和训练目标，也会影响模型能否从这些样本中学到有效规律。

对于依赖示范数据的模仿学习，模型一般需要从参考驾驶行为中学习。

如果示范存在不一致，或者相似场景中存在多种合理的驾驶选择，训练过程就需要妥善处理这些差异。模型学会复现训练样本中的行为，并不代表它已经掌握了所有场景下的安全决策规律。

此外，并非所有问题都能通过补充数据解决。

如果问题来自模型结构、训练目标、规划约束或车辆执行能力，仅仅增加样本数量可能无法触及根本原因。

失败数据的价值，在于帮助研发人员定位问题，并为后续训练提供有针对性的改进依据。

03

问题解决了

换个类似场景又会出现？

即使训练过程改善了某类驾驶行为，模型仍然需要面对从已知场景迁移到新场景的挑战。

譬如模型已经能够通过一处施工路段，但换到道路更窄、临时标线更模糊、相邻车辆更加密集的施工路段时，原有的驾驶策略就未必仍然适用。

模型需要根据当前环境重新判断，而不是简单复现此前学到的行为。

这就涉及模型的泛化能力。

训练数据不可能穷尽所有道路条件，模型需要从有限样本中学到能够适用于不同场景的规律。

另一个容易被忽略的问题是，模型实际行驶时遇到的状态，可能逐渐偏离训练数据中的常见状态。

以模仿学习为例，训练时模型会从参考驾驶行为及其对应的环境数据中学习。实际运行时，模型输出的动作或轨迹会影响车辆后续的运动状态。

一旦车辆偏离了原本预期的行驶轨迹，后续输入和交通交互条件就可能发生变化，模型面对的状态也可能逐渐偏离训练数据中的常见分布。

如车辆在施工路段中选择了一条不够合适的行驶轨迹，可能因此靠近锥桶，压缩后续调整空间。

此时，车辆面对的环境已经发生变化，接下来的决策也可能受到影响。如果模型缺乏对这些偏离状态的处理经验，早期的判断误差就可能在连续决策中逐步放大。

训练时遇到的状态分布和实际运行时遇到的不一样，是模仿学习和闭环驾驶要解决的关键问题。

不过，不同智驾架构的具体机制有所区别，不能将所有重复出现的问题都归结为同一种原因。

判断模型是否真正解决了某个问题，需要结合不同层次的验证。

离线回放可以检查模型对既有数据的处理结果；闭环仿真可以观察模型决策对后续状态和交通交互的影响，但结果仍受到仿真环境真实性的限制；道路测试则进一步检验真实环境中的表现，同时也受测试路线、交通条件和场景覆盖范围的约束。

几种方式相互补充，才能更全面地判断模型改进是否有效。

04

智驾训练真正需要关注的是什么？

当某一类驾驶问题反复出现时，此时要做的不是简单判断还缺多少数据，而是要去尝试数据覆盖、训练机制和模型实际表现之间究竟存在什么问题。

如果关键场景覆盖不足，就需要针对性地补充数据；如果样本质量或标签存在问题，就需要改进数据处理；如果模型没有学到有效的驾驶规律，就需要检查训练目标和方法；如果离线结果有所改善，但闭环表现没有同步提升，就需要进一步分析连续决策和交通交互中的问题。

每次优化之后，还需要检查原始问题是否得到改善，以及同类和相近场景中有没有出现新的问题。

只在一个固定案例上取得更好的结果，并不足以证明模型已经具备稳定处理同类场景的能力。此时还需要观察其他关键驾驶任务的表现，避免局部优化带来新的性能退化。

对智驾研发而言，训练数据规模仍然是重要基础，但数据量不能直接等同于驾驶能力。

数据分布影响模型接触过哪些情况及不同场景在训练中发挥的作用，训练过程影响模型能够从中学到什么，而闭环测试和道路验证则帮助研发人员判断这些能力能否在实际驾驶中发挥作用。

智驾真正需要的，不只是持续增加训练数据，而是让每一次问题发现都能推动有效改进，并通过更全面的验证确认改进是否成立。

当模型在有代表性的同类及相近场景中持续表现稳定，数据积累才真正转化成了驾驶能力。