01 引言

目前，ADAS技術正經歷從“功能驗證”到“場景攻堅”的關鍵階段。每一次極端天氣下的緊急制動，每一段復雜路況中的精準識別，本質都在拷問算法對現實世界的適應力。在開發場景中，測試車輛采集的惡劣工況數據可以有效提升算法的真實場景適配能力。比如強化算法抗干擾能力、泛化能力、支撐邊緣案例覆蓋并降低安全風險。

然而，圍繞“數據能否有效支撐算法訓練”這一核心目標，惡劣工況下ADAS數據采集方案常面臨一些挑戰，比如采集系統的可靠與穩定性、數據有效性、邊緣場景覆蓋性等內容。

康謀長期專注于ADAS數據采集工具鏈研發，針對這些問題，也有一些思考、方案與看法，在這里與大家一起交流。

02 數據采集方案

當我們評估或者構建ADAS數據采集方案在惡劣工況下的數據質量時，可以分為場景覆蓋、采集可靠性、數據質量和訓練需求匹配性四個維度。其中，從數據采集方案本身來看，更側重于采集可靠性與數據質量。

因此，圍繞這兩個維度，數據采集方案常包含硬件支撐、數據同步與采集、適應性與擴展性、監控與維護四個部分。

1、核心硬件支撐

在惡劣工況下，硬件系統的穩定性是數據采集的基礎。首先，硬件需滿足嚴苛的車規級標準，通過如 LV124、LV148 等汽車行業測試規范，以及環境模擬與氣候測試，確保在 - 40℃至 + 85℃的極端溫度范圍、持續振動（如 50m/s2 沖擊）、高濕度等場景下正常運行。

圖1 BRICK2 – 30000小時連續無故障穩定運行

其次，硬件需具備電磁兼容性（EMC）設計，通過預測試與仿真驗證，減少車輛內部電子設備的電磁干擾，保證傳感器原始數據的完整性。同時，電源管理需支持寬電壓輸入，應對車輛啟動時的電壓波動或極端工況下的供電不穩定，避免因斷電導致的數據丟失。

此外，硬件冗余設計至關重要。例如，關鍵接口（如以太網、PCIe）采用雙路備份，存儲模塊支持熱插拔，即使單一組件出現故障，系統仍能通過自動切換保障數據持續采集，降低惡劣工況下的停機風險。

圖2 ATX4-多PCIe擴展

圖3 ATX4-震動測試（50m/s2）

2、數據同步與采集

多源傳感器（攝像頭、雷達、激光雷達等）的數據時間一致性直接影響算法訓練的有效性。在惡劣工況下，需通過高精度時間同步技術消除傳播延遲與時鐘抖動，例如采用 IEEE 802.1AS（gPTP）等協議，結合邊緣節點本地時間戳標記（數據生成時即打標），確保傳感器數據的時間偏差控制在納秒級。

數據采集階段，需建立統一的時間域，通過軟件工具對多源數據進行時間對齊與格式標準化（如將圖像像素、激光點坐標映射至同一時間軸）。

圖4 時間同步（PTP-E2E）配置

圖5 多傳感器數據采集

3、適應性與擴展性

惡劣工況的多樣性要求采集方案具備靈活的適配能力。硬件層面采用模塊化架構，支持根據場景需求增減傳感器接口、擴展存儲容量或升級計算單元（如提升邊緣端實時處理能力）。

軟件層面需兼容多品牌傳感器協議與數據格式，通過開放 API 實現與現有工具鏈（如數據標注平臺、算法訓練框架）的無縫對接，減少二次開發成本。

4、監控與維護

惡劣工況下的系統故障排查難度顯著提升，需建立全鏈路監控機制。通過嵌入式管理工具實時采集硬件狀態參數（如 CPU 溫度、風扇轉速、存儲讀寫速度）、傳感器健康度（如攝像頭鏡頭污染程度、雷達信號強度），并設定閾值告警（如當設備存儲使用率超過80%自動通知運維團隊）。

圖6 ATX4-SIODI監控

03 結語

總結來說，惡劣工況下的 ADAS 數據采集方案，本質是通過 “硬件抗干擾性 + 同步精準性 + 適應與擴展 + 維護及時性” 的多維設計，解決 “極端場景數據稀缺” 與 “算法泛化需求” 的矛盾。

具體來說，從傳感器選型到數據落地，需以 “真實場景還原” 為核心，結合標準化與模塊化設計，才能系統性解決惡劣工況下的數據采集難題。