自动驾驶-数据闭环

数据闭环的关键是数据，同时采用数据驱动的训练模型是基础。决定了整个自动驾驶迭代升级系统的走向是：

• 数据的模式（摄像头/激光雷达/雷达，无/导航/高清地图，姿态定位精度，时间同步标记）；
• 数据驱动模型（模块/端到端）；
• 模型的架构（AutoML）；
• 模型训练的策略（数据选择）。

据闭环所采用的机器学习技术：

• 主动学习
• OOD检测和Corner Case检测
• 数据增强/对抗学习
• 迁移学习/域自适应
• 自动机器学习（AutoML ）/元学习（学习如何学习）
• 半监督学习
• 自监督学习
• 少样本/ 零样本学习
• 持续学习/开放世界

主动学习（active learning）的目标是找到有效的方法从无标记数据池中选择要标记的数据，最大限度地提高准确性。主动学习通常是一个迭代过程，在每次迭代中学习模型，使用一些启发式方法从未标记数据池中选择一组数据进行标记。因此，有必要在每次迭代中为了大子集查询所需标签，这样即使对大小适中的子集，也会产生相关样本。

OOD检测和Corner Case检测

机器学习模型往往会在out-of-distribution（OOD) 数据上