芯耀
395
在谈及自动驾驶时，经常会听到一个概念，那便是“专家数据”。专家数据，说白了就是“按理应该这么做”的那类示范数据。它不是随机抓来的日志，也不是随便标注的标签，而是来源可靠、能代表正确或优良驾驶决策的记录。这里的“专家”可以是经验丰富的人类驾驶员，也可以是经过验证的规则引擎、成熟的自动化控制器，或者在高保真仿真里由资深设计者反复产出的标准行驶案例，这些数据能告诉机器在特定感知输入下，安全且合理的反应应该是什么样子。
专家数据的主体通常包含两部分，一是低层的同步传感器流和控制量，例如前向相机、激光雷达、毫米波雷达、IMU、GNSS与车辆CAN总线里的方向盘角度、油门、制动等；二是高层的语义信息或者行为标注，比如当前目标的语义类别、车辆轨迹示范、操作意图（如“变道”“减速避让”）、风险判断或者场景标签（夜间、雨天、施工区等）。
把这些信息组合起来，就能得到既有“眼睛看到什么”，又有“该怎么做”的完整示范案例，这正是专家数据的核心价值所在。
专家数据有什么形式？
专家数据的表现形式比较多样，不能只用一种标准去定义。最直观的专家数据是“示范轨迹”，在真实道路或仿真环境中，专家驾驶员在感知输入变化时如何操纵车辆，系统记录下每一帧的感知与对应的控制，这就是端到端学习常用的方式。另一类是如感知模块需要的语义分割、目标检测框、物体追踪ID，以及地图语义、车道边界、可通行区域等结构化标签型数据，这类标签常由人工或半自动化工具生成，用来监督感知子模块训练。
还有行为语义标签，这是专家数据中更靠上层的部分，包含“为什么这么做”的解释性信息，比如“此处减速是因为前方行人正在靠近车道”“在此路口选择延后左转以避免与公交冲突”等驾驶习惯。这样的标签通常需要有驾驶经验的人来判断，因此标注成本较高，但对提升决策模块的可解释性和鲁棒性非常重要。仿真示范也是专家数据的一种常见形式，在安全或极端场景里，真实人类示范难以获取时，通过高保真仿真让规则化专家或资深测试人员在大量长尾场景中生成示范数据，用以补充现实世界样本。
专家数据的核心作用
专家数据的作用可以概括为训练与验证两个层面。专家数据是监督学习中最直接的“老师”。在模仿学习或行为克隆框架里，模型通过观察专家在给定感知输入下的动作，学习把输入映射为合适的控制或轨迹。没有高质量的专家示范，模型很难学到既安全又符合人类期望的驾驶策略。特别是对于端到端或一段式模型，专家数据几乎是唯一的监督来源，这决定了模型的基本驾驶风格与规则遵守程度。
专家数据也是评估与回归测试的基准。把自动驾驶系统在某一场景下的输出与专家示范进行比对，可以量化偏差、判定风险并发现系统的失效模式。这一点在迭代开发和安全论证中非常关键：团队可以用专家数据来回答“系统在常见场景里能否做到和专家一样安全？”或者“在哪些情形下系统偏离了专家的合理决策？”此外，专家数据还能作为事故后溯源分析的重要依据，帮助判断系统行为是否符合既定安全策略，从而支持合规和法律审查。
专家数据对定义操作设计域（ODD）更有直接作用。通过统计不同场景下专家的选择，可以把“系统能安全运行的边界”描述得更清楚，例如在什么路况、能见度和交通密度下专家仍然能保持安全操作。这个对产品化和监管合规都很有帮助，因为监管机构常常要求明确系统的可接受运行条件以及在超出条件时的退让策略（例如人工接管或降级到更保守的模式）。
自动驾驶汽车从路上收集来的海量驾驶日志里，不仅有优秀示范，也有人为失误、习惯性违规、临时应激反应等噪声。如果把这些未筛选的数据直接当作“专家”去训练模型，模型可能会把某些不良习惯学进去，导致安全隐患。专家数据强调的是“可复制、可解释且符合安全规范的示范”，因此除了来源可靠以外，还需要明确的质量控制。这包括示范者的资质、示范的一致性、标注的一致性、以及对关键决策点的注释等。没有这些保障，数据虽然数量多但价值低，反而可能误导学习过程。
专家数据在不同架构里的作用差别
在模块化架构下，专家数据主要用于训练和校验各个独立模块。感知模块依赖人工标注的物体与语义标签，定位模块依赖高精定位和地图参考，预测与规划模块使用专家示范的轨迹和行为标签来优化决策逻辑。在这种方式里，专家数据的结构化和语义清晰性尤其重要，因为数据需要被拆分并分别投入不同模块的训练流程。
而在端到端或一段式学习中，专家数据直接连接感知输入和控制输出，模型学习的是从“眼睛看到什么”到“手脚怎么动”的映射关系。端到端模型对示范的一致性、时序对齐和覆盖广度要求非常高，任何时间戳错误或控制信号延迟都可能使示范变得误导性更强。此外，端到端训练对长尾场景的依赖更重，因此通常需要大量多样化的专家示范，或结合仿真数据和数据增强手段来弥补现实采集的不足。
专家数据如何提升安全与可解释性
专家数据本身带着人类决策的意图和理由，这为可解释性提供了天然的切入点。若在示范中同时记录高层语义（如“为什么在此时选择合流”或“选择停车而不是绕行的理由”），模型在出问题时可以被检验是否偏离了这些理由。对于车企来说，这种对照能帮助他们追溯决策链，识别规划或控制中的潜在风险点，从而更有针对性地改进系统或增设保护措施。
此外，把专家示范作为“约束”融入训练（如通过偏好学习或逆向强化学习把人类偏好编码为奖励函数），可以在追求性能的同时保留人类可接受的行为模式。这在用户体验和合规性方面都很重要，因为单纯优化某个指标（比如最短时间到达）可能会牺牲舒适性或安全性，而专家数据能够提供平衡这些目标的经验依据。
最后的话
专家数据就是高质量、有代表性的示范数据，它把“看见”与“做法”结合，用来教会自动驾驶系统在复杂交通场景下如何安全、合理地行动。它既是训练模型的直接监督信号，也是评估与安全验证的金标准。与普通驾驶日志不同，专家数据强调来源可信、标注严谨和语义清晰，这些特性决定了它在自动驾驶研发和合规审查中的高价值。
如果把自动驾驶开发比作培养一个可靠的司机，普通日志是大量的路况教科书，而专家数据是那些经验丰富的导师亲自出题并示范正确做法。没有这些导师式的示范，系统很难学会在关键时刻做出既安全又合乎人类预期的决策。
