从数据闭环到混合数据增强，关于自动驾驶数据的那些事

今天，小编将继续为大家带来Nullmax感知部总监兼计算机视觉首席科学家成二康博士做客汽车之心·行家说栏目的内容整理下篇，关于自动驾驶的数据闭环及混合数据增强的简要介绍。Nullmax正通过将这些技术应用到不同的量产项目中，推进自动驾驶系统的迭代升级。

对于自动驾驶而言，数据具有至关重要的技术驱动作用，通过数据闭环高效收集、利用海量的真实数据，是自动驾驶研发和落地的一项核心能力。与此同时，在无法充分获得所需真实数据的情况下，大规模地生成虚拟样本也是一种可行的方式。

对于自动驾驶来说，真实世界的驾驶环境变幻莫测，驾驶场景层出不穷，训练有素的软件算法也会面临长尾效应带来的一系列问题，遇到一些很少遇到但是很难应对的极端场景。

因此，针对自动驾驶的长尾问题，Nullmax打造了高效的数据闭环，支持行泊一体方案的大规模应用，并且探索了大规模地生成虚拟样本数据，运用混合数据增强方法解决少见目标检测方面的相关难题。

这样的话，可以最大程度、最高效率地在真实场景中收集和利用困难样本数据，同时在真实场景数据难以满足需求的情况，通过合成虚拟样本来解决数据难题。

数据闭环

Nullmax的数据闭环，名为MaxFlow自主成长系统。它包含了车端、云端两大部分，车端源源不断地获取数据，云端对数据进行分析，完成获取、清洗、标注、训练以及模型验证的整个闭环。

它可以为感知、融合、决策、定位、测试等环节提供全方位的帮助，实现持续不断的迭代升级，驱动自动驾驶的整个系统自主成长。特别是在感知层面，尤其是视觉感知当中，自主成长系统发挥了巨大作用。

数据闭环的数据，主要源自两个方面。一是以offline的方式，在收集全量数据后，通过data filter机制筛选出感兴趣的数据，然后送到云端参与训练等任务。二是以online的方式，在车端运用trigger机制，通过影子模式等方法，自主地收集一些感兴趣的数据，包括困难样本。（点击查看详情）

影子模式，简单来说就是通过对比人类司机和自动驾驶系统的驾驶差异，获得一些数据，提升自动驾驶系统的驾驶能力，从而逼近甚至是超越人类驾驶水平。对于感知层面来说，也是如此，比如AEB误触发，那么就可以在误触发的时候，将视觉传感器的数据进行回收，送到云端分析处理。这是一种相对被动的学习方式，此外系统也包含一些相对主动的学习方式，比如通过不确定性等进行样本的筛选。

在线的trigger方面，包括有人机一致性、时序一致性、多传感器一致性、多算法一致性、指定特殊场景等不同类型的设置。如果遇到变道失败、传感器之间结果不一致、算法结果不一致等等情况，那么就会触发相应数据的收集。

举个例子，一个障碍物在时间维度而言，既不可能凭空消失，也不可能凭空出现，这就是时序的一致性。如果一个行人在连续轨迹上消失了，那么就是典型的漏检。

另外一个例子，就是同样的一张图片，用不同的算法进行一致性的校验。比如freespace和障碍物相互校验，可行驶区域当中不应存在障碍物，不然的话就是漏检。

此外，运用多种算法校验来筛选难样本，也是非常重要的手段。比如行驶在路面的车辆，如果只检测出车轮，但没有检测出车辆，那么极有可能这是一个比较难的样本，比如涂装车、挖掘机、平板车等等罕见的车辆。这种方法也可以用来筛选一些极近距离的大车，比如油罐车、拖车、挂车等等少见场景的数据。

 

同样的，对于行人也可以通过头部的检测和身体的检测，来校验检测结果，筛选困难案例。

 

混合数据增强

对于自动驾驶而言，除了通过数据闭环在真实场景中收集困难样本之外，另外一种获取数据样本的方式，就是大规模的自动化生成虚拟样本。

比如，在CVPR 2022上提出的合成数据集SHIFT，就是通过CARLA仿真几乎零成本地生成真值数据。再比如Block-NeRF，利用3个月收集的数据重建旧金山市的场景，这是另外一种生成数据的方式，通过一些样本的视角来生成其他视角的虚拟图像。

此外，通过计算机图形学和生成式模型相结合，也能够以Neural Rendering的方式生成大量的虚拟数据。

在ICRA 2022上，Nullmax同样也提出了一种生成虚拟样本的方式，通过混合数据增强的方法，解决罕见目标检测的难题。（点击查看详情）

因为对自动驾驶而言，即使专门去筛一些数据，获得的数据量仍可能还是很小。收集一些少见的样本，比如锥形筒相关的场景，其实依然很难。

所以我们当初的想法是，既然拥有大量没有锥形筒的真实场景，那么能不能将锥形筒的mask（掩膜）贴到这些真实场景图片上面，几乎零成本地自动生成大量少见样本呢？这就是我们想要通过混合数据增强来实现的目标。

这当中有两个非常关键的问题，一个是锥形筒mask贴到什么位置，一个是怎么贴mask。因此，我们提出了一个多任务的深度学习网络，为交通场景提供相应的约束，确保mask沿着车道线贴到freespace上，而不是车上。同时，还提出了一个局部自适应的颜色变换，让mask能够自动适应每张图片本身的颜色分布。

实验结果显示，对锥形筒这类少见样本来说，如果只有少量数据，检测效果其实比较一般。但是在结合我们的混合数据增强方法后，检测效果可以大幅提升。

Nullmax已经开源相应的ROD（Rare Object Dataset）数据集，当中包含1万多张的数据，分布在不同的道路、天气和光照条件。如果大家感兴趣，欢迎登陆网站下载 https://nullmax-vision.github.io/。

篇后语

为了更好地实现行泊一体，Nullmax开发了能够自动化支持行车和泊车两类任务的感知基础架构，从而最大程度地复用软件算法。这其中，就包括了数据、训练和部署。

基于这套架构，Nullmax能够通过数据闭环收集的海量真实数据，以及大规模生成的虚拟样本，以非常高效、经济的方式提供提供丰富、充足的训练样本，对算法进行真实和混合数据的混合训练，打造出一个满足全场景自动驾驶需求的「超级大脑」。

后续，我们将介绍这套强大的感知基础架构，敬请关注！

审核编辑 ：李倩