纽劢科技自主成长系统：加速自动驾驶技术演进的数据闭环解决方案

自动驾驶技术中，数据在技术驱动方面具有至关重要的作用。高效收集和利用海量真实数据是自动驾驶研发和应用的核心能力，但当无法获得足够真实数据时，大规模生成虚拟样本也是一种可行的解决方式。自动驾驶面临着真实世界驾驶环境的复杂多变和各种不同的驾驶场景，这使得经过训练的软件算法面临着长尾效应带来的一系列问题，尤其是在应对罕见极端场景时更加困难。为了解决自动驾驶中的长尾问题，纽劢科技开发了高效的数据闭环系统，支持行泊一体方案的大规模应用，并且探索了大规模生成虚拟样本数据以解决数据不足的难题。

纽劢科技

在罕见目标检测方面，纽劢科技采用混合数据增强方法来提高算法的性能。通过这种方式，纽劢科技能够在真实场景中最 大程度且高效地收集和利用困难样本数据，同时在真实场景数据无法满足需求时，通过生成虚拟样本来解决数据不足的问题。

纽劢科技自主成长系统

纽劢科技的数据闭环系统名为MaxFlow自主成长系统，由车端和云端两部分组成。车端持续获取数据，云端对数据进行分析，完成整个数据获取、清洗、标注、训练和模型验证的闭环过程。该系统能够为感知、融合、决策、定位、测试等环节提供全方位的支持，实现持续的迭代升级，推动整个自动驾驶系统的自主成长。在视觉感知方面，自主成长系统发挥了重要作用。

数据闭环的数据主要来自两个方面。首先，通过离线方式收集全量数据后，通过数据筛选机制选择感兴趣的数据送往云端参与训练等任务。其次，通过在线方式，在车端利用触发机制收集一些感兴趣的数据，包括困难样本。影子模式是其中一种方法，通过比较人类司机和自动驾驶系统的驾驶差异，获得一些数据来提升自动驾驶系统的驾驶能力。在感知层面，当发生AEB误触发时，可以回收视觉传感器的数据，送至云端进行分析处理。除了被动学习方式外，系统还包含一些主动学习方式，如通过不确定性进行样本筛选。

在线触发方面，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。例如，当遇到变道失败、传感器结果不一致或算法结果不一致等情况时，会触发相应数据的收集。时序一致性是指障碍物不能突然消失或出现。如果一个行人在连续的轨迹上消失了，就是典型的漏检。另外，通过多种算法校验来筛选难样本也是非常重要的手段。例如，在路面上行驶的车辆如果只检测到车轮而没有检测到车辆，很可能是一个难样本，可以通过多种算法的一致性检验来识别和收集这类样本。

纽劢科技车轮vs车辆检测

在纽劢科技的数据闭环系统中，通过持续的数据收集和分析，可以及时发现和解决系统中的问题，并且通过迭代升级不断提升自动驾驶系统的性能和能力。这种高效的数据闭环系统为自动驾驶技术的发展和应用提供了强大的支持，使得自动驾驶系统能够更好地适应各种复杂的驾驶场景，并提高安全性和可靠性。

总的来说，纽劢科技通过其高效的数据闭环系统MaxFlow自主成长系统，实现了在真实场景中收集和利用数据的闭环过程，并通过大规模生成虚拟样本解决数据不足的问题。这种数据闭环系统为自动驾驶技术的进化提供了重要的推动力，并有助于提高自动驾驶系统在各种复杂场景下的性能和鲁棒性。