▍文章來源于康謀自動駕駛

01 引言

自動駕駛技術正加速重塑未來交通格局，成為全球科技與產(chǎn)業(yè)競爭的核心賽道。然而，技術迭代的背后，數(shù)據(jù)搜集與隱私保護的矛盾日益凸顯。自動駕駛系統(tǒng)的研發(fā)與測試高度依賴海量真實場景視覺數(shù)據(jù)，這些數(shù)據(jù)在捕捉復雜交通環(huán)境的同時，不可避免地涉及過往行人和車輛的個人身份信息。

2022 年以來，相關隱私爭議通過訴訟等形式持續(xù)發(fā)酵，引發(fā)全球?qū)ψ詣玉{駛行業(yè)數(shù)據(jù)合規(guī)性的廣泛討論。如何在不阻礙技術創(chuàng)新的前提下，筑牢隱私保護防線，成為行業(yè)可持續(xù)發(fā)展必須考慮的話題。

本文結合實際案例與法規(guī)要求，深入剖析自動駕駛數(shù)據(jù)收集的核心矛盾，并提出切實可行的解決方案。

02 特斯拉隱私風險訴訟爭議

2022 年 7 月，德國消費者組織聯(lián)合會（VZBV）對特斯拉提起訴訟，其中一項核心指控直指其 “哨兵模式” 的隱私風險。據(jù)悉，特斯拉車輛在哨兵模式下，車載攝像頭會持續(xù)錄制周邊環(huán)境以防范盜竊與惡意破壞，而這些錄制內(nèi)容中包含了未經(jīng)行人與其他車主同意的個人身份信息（PII）。這一事件并非個例，而是自動駕駛行業(yè)數(shù)據(jù)收集亂象的集中爆發(fā)。

根據(jù)《通用數(shù)據(jù)保護條例》（GDPR）規(guī)定，在公共場所開啟攝像頭僅允許用于極少數(shù)受嚴格監(jiān)管的場景（例如警方在犯罪熱點區(qū)域的執(zhí)法，且需符合巴伐利亞州《警察任務法》第 32 條等相關驗證要求）。

對于自動駕駛企業(yè)而言，其研發(fā)過程中經(jīng)常會需要從真實環(huán)境采集數(shù)據(jù)，以推進產(chǎn)品的開發(fā)，而《通用數(shù)據(jù)保護條例》（GDPR）采用“明示同意”原則，要求數(shù)據(jù)收集必須以獲得相關方明確同意為前提。但在非可控的真實交通場景中，要獲取每一位路人的實時同意幾乎不具備可操作性。

這起訴訟再次將行業(yè)焦點引向一個長期被忽視的領域：高級駕駛輔助系統(tǒng)（ADAS）與自動駕駛（AD）的研發(fā)測試階段，如何合法保護無關第三方的隱私數(shù)據(jù)？隨著公眾隱私保護意識的提升，制造商不斷面臨關于數(shù)據(jù)收集合法性、使用邊界及安全存儲的質(zhì)疑，隱私爭議已成為制約自動駕駛技術落地的重要瓶頸。

03 數(shù)據(jù)價值與隱私風險

視覺數(shù)據(jù)的重要性

ADAS與AD的核心目標是通過減少人為失誤降低交通事故發(fā)生率，其運行與決策高度依賴于對周邊環(huán)境的精準感知與分析。為實現(xiàn)這一目標，系統(tǒng)通常需集成自動緊急制動（AEB）、弱勢道路使用者檢測、意圖預測等多項安全關鍵應用，而這些應用模型的訓練則是依托海量真實交通數(shù)據(jù)。

這些數(shù)據(jù)主要通過車載傳感器，比如雷達、攝像頭、全球定位系統(tǒng)（GPS）和激光雷達（lidar）等設備采集，涵蓋了復雜路況、突發(fā)場景等各類交通環(huán)境。

與模擬環(huán)境或可控環(huán)境數(shù)據(jù)相比，真實交通數(shù)據(jù)的核心價值在于其包含大量不可控、不可預測的 “邊緣案例”—— 例如兒童在街上追球、寵物突然竄至車前等低概率但高風險的場景。這些邊緣案例累積形成 “長尾效應”，直接決定了自動駕駛系統(tǒng)是否比人類駕駛員更安全，是當前技術研發(fā)的核心突破口。盡管真實交通錄制無法覆蓋所有可能場景，但它是構建高保真模擬訓練數(shù)據(jù)庫的基礎。

數(shù)據(jù)收集的隱私風險

汽車企業(yè)早已意識到真實場景數(shù)據(jù)的戰(zhàn)略價值，紛紛加大道路測試與數(shù)據(jù)收集力度。但在技術推進過程中，多數(shù)企業(yè)忽視了數(shù)據(jù)收集的隱私合規(guī)問題。在開放道路測試中，車載設備會不可避免地錄制并存儲無關路人的圖像、車牌等個人身份信息，這些數(shù)據(jù)若處理不當，極易引發(fā)隱私泄露風險。

從法規(guī)層面看，類似特斯拉哨兵模式這類商業(yè)用途的數(shù)據(jù)收集，僅以 “合法利益” 為由無法滿足合規(guī)要求—— 這既違背《通用數(shù)據(jù)保護條例》（GDPR）的核心思想，也不符合該條例第 6 條規(guī)定的任何合法數(shù)據(jù)處理情形。問題是在不可控的環(huán)境中測試實時交通數(shù)據(jù)時，幾乎不可能獲得每個路人的同意。

而從技術層面講，完全禁止真實場景數(shù)據(jù)收集又意味著自動駕駛研發(fā)失去關鍵支撐：沒有足夠的邊緣案例數(shù)據(jù)訓練，系統(tǒng)將難以應對復雜路況，安全性無法得到保障。技術創(chuàng)新與隱私保護似乎陷入了 “非此即彼” 的兩難境地。

04 匿名化應對方案

面對數(shù)據(jù)需求與隱私保護的矛盾，是否存在既能保障研發(fā)進展，又能符合法規(guī)要求的解決方案？答案是肯定的 ——數(shù)據(jù)匿名化技術為行業(yè)提供了解決思路。《通用數(shù)據(jù)保護條例》（GDPR）第 26 條注釋明確規(guī)定：“本條例不適用于對匿名信息的處理，包括用于統(tǒng)計或研究目的的匿名信息處理”，這一表述為合規(guī)的數(shù)據(jù)收集與使用提供了明確依據(jù)，其他國家的多項數(shù)據(jù)保護法規(guī)也有類似條款。

比如深度自然匿名化（DNAT）技術，是專為解決圖像與視頻數(shù)據(jù)中的隱私保護問題而設計的。與傳統(tǒng)模糊化處理技術不同，深度自然匿名化（DNAT）并非簡單遮蔽個人身份信息（PII），而是通過先進算法自動檢測人臉、車牌等隱私數(shù)據(jù)，并生成能夠精準反映原始屬性的合成替代內(nèi)容。在匿名化過程中，年齡、視線方向、情緒狀態(tài)等對機器學習至關重要的核心信息得以完整保留，既實現(xiàn)了個人與車輛身份的隱私保護，又不影響數(shù)據(jù)分析與模型訓練的有效性。

此外，深度自然匿名化（DNAT）技術還能確保圖像語義分割的一致性（該一致性經(jīng)過專業(yè)檢測），避免了傳統(tǒng)模糊處理導致的信息丟失與上下文斷裂問題，完美平衡了隱私保護與數(shù)據(jù)可用性。這一解決方案徹底打破了 “創(chuàng)新必須以犧牲隱私為代價” 的固有認知，讓自動駕駛行業(yè)能夠在合規(guī)前提下持續(xù)推進技術迭代。

▍關于康謀科技

康謀是一家自動駕駛解決方案供應商（前身是虹科自動駕駛事業(yè)部）。

我們以數(shù)據(jù)為驅(qū)動力，提供高性能的數(shù)據(jù)采集、記錄、傳輸方案，針對各種駕駛場景進行精準的仿真模擬，以及對大量自動駕駛數(shù)據(jù)進行高效、高質(zhì)量處理。我們的一站式服務能夠滿足自動駕駛領域研發(fā)測試的全流程需求。

通過深入了解客戶需求，結合行業(yè)最新技術和趨勢，我們致力于為客戶提供最適配的自動駕駛解決方案，助力客戶在自動駕駛領域取得更大突破。