知识点 › 数据基础设施
数据质量体系
Data Quality
定义
从「事后发现」转为「入库即拦截」：完整性（帧率/文件数）、一致性（时间戳/标定）、有效性（模糊/遮挡/曝光）、准确性（标注抽检）、唯一性（去重）、及时性（延迟）。
关键要点
- 质量分要可量化（0–100），并作为训练采样权重
- 监控要按「车/传感器/区域/版本」切片，才能定位系统性劣化
- 最贵的是「漏标/错标」，只能靠抽检 + 黄金集 + 模型辅助发现
面试怎么答
给出六个维度 + 一个切片监控例子，比说「我们有质检」具体。
相关知识
- 标注质量体系 — 四道关：①培训与考核（上岗门槛）；②抽检（按比例复核，算准确率/漏标率）；③黄金集（固定标准答案，定期测标注员漂移）；…
- 标定与漂移 — 内参（焦距/畸变）、外参（传感器间位姿）、时序标定（时间偏移）。量产车会因震动、温漂、轻微碰撞产生外参漂移，导致融合与…
- 采集质量与脏数据 — 脏数据来源：丢帧、时间戳异常、镜头脏污/雨滴/起雾、过曝欠曝、标定漂移、存储损坏、传感器故障、重复片段。必须在入库前拦…
- 数据治理四件套 — 标准（命名/口径/枚举）、质量（完整性/一致性/有效性/唯一性/及时性）、安全（分级/脱敏/权限/审计）、成本（生命周…
- 质检算子 — 自动判断一段数据能不能用：清晰度（拉普拉斯方差）、曝光直方图、遮挡与脏污、丢帧率、时间戳单调性、点云反射率分布、标定健…
- 数据闭环 — 把「真实世界产生的数据」持续转化为「车端模型能力」的工程体系：车端采集 → 回传 → 存储治理 → 场景挖掘与标注 →…