基于Physical AI Dataset的ADS驗證閉環

當前智駕算法以數據為核心，但海量無圖數據需經清洗、路段級場景定位及地圖還原，才能準確判斷車輛所處場景并評估性能。場景識別的關鍵不在視覺對象檢測，而在提取并線、加塞、壓線等語義級交互行為，以支撐安全覆蓋度分析。2026年6月17日，在第九屆智能駕駛與出海大會上，Foretellix中國應用工程總監徐天皓介紹到，Foretellix通過抽象場景語言定義“路口遇行人穿行”等高維場景，結合減速度等風險維度過濾，可快速挖掘動態片段，并支持加塞與切出等場景的組合檢索，避免重復挖掘。該方式將場景原子化，便于評估覆蓋度、嵌入數據飛輪，并為算法訓練與驗證提供結構化輸入。

數據飛輪層面，Foretellix通過AI agent自動檢索問題場景、創建數據集，并基于ODD定義與評價標準構建驗證計劃，利用場景樹正交分布量化覆蓋度與數據分布一致性。企業可據此定向補充路測或生成合成數據，形成“定義目標-執行驗證-提升覆蓋-回歸測試”的閉環，最終將整套方案嵌入SOTIF框架，支撐L3/L4法規下的安全性論證與發版決策。

徐天皓｜Foretellix中國應用工程總監

以下為演講內容整理：

目前，智駕算法普遍以數據為中心。理解數據及其適用場景，以及在出海時如何向未來的L3、L4法規證明智駕產品的安全性與場景覆蓋充分性，是行業關注的重點。

Foretellix 專注于場景挖掘與場景泛化，也深度參與了 ASAM OpenSCENARIO 標準的制定。在已有數據集的基礎上，如何將其應用在算法訓練上，以及如何證明系統安全性，是我們接下來要探討的問題。

我們提供的解決方案是從數據導入開始，對數據進行清洗與去噪處理。目前大量數據都是無圖的，因此我們需要對無圖數據實現路段級場景定位，并從數據中一定程度還原地圖，從而判斷車輛進入了哪種場景范疇，再在該范疇內評估車輛性能是否達標。隨后通過數據接入將數據數字化，進行場景匹配，也可以依據客戶提供的場景標簽進行標注。

圖源：演講嘉賓素材

這里的關鍵在于場景識別，其難點在于：識別的目標不是簡單判斷畫面中是否存在某一特定對象，而是提取場景的語義信息——例如當前是否處于變道場景、某一時間段內前車是否存在加塞意圖、或幾秒到幾秒的時段內前車發生了壓線行為等。這類語義級信息對于深度理解場景至關重要。

其本質涉及行為覆蓋與交互行為分析。對此類場景的挖掘，一方面有助于后續系統性評估智駕系統在各類情況下的安全性；另一方面，當智駕系統表現不佳時，可通過定性分析定位相關場景，進一步核查其測試覆蓋度是否充分。

每個挖掘出的場景都應該呈現其內部的覆蓋情況，包括車速、相對距離、相對位置以及天氣等維度。我們可以預先定義若干風險維度，在場景挖掘過程中實現對這些維度的全面覆蓋。舉個例子，如果需要挖掘車輛通過路口時遭遇行人橫穿、并可能觸發減速的場景，傳統方法（如基于標簽的檢索）往往難以實現精準搜索，原因在于其顆粒度不夠細，因此需要引入抽象場景語言來描述和定義這類場景。首先，需要將場景描述為"車輛過路口且遭遇行人橫穿"這樣的抽象場景定義，而不是一條具體的軌跡。在此基礎上進行場景挖掘，同時可以進一步設置篩選條件，在該類場景中尋找車輛減速度大于4米/秒2的情形。通過識別抽象場景空間并結合過濾機制，就能快速挖掘出目標場景。完整捕捉場景的動態特性，無論是對模型訓練還是安全覆蓋度評估，都具有重要意義。此外，所有場景還應支持靈活組合，例如用于挖掘加塞場景或前車切出場景。那么，如果需要查找同時包含加塞與前車切出的場景，是否需要重新挖掘呢？實際上不需要。只要將抽象場景定義得足夠充分，就可以通過組合條件快速完成挖掘——例如設定場景 A 與場景 B 的先后順序關系、同時發生關系，或者并集、交集關系。通過這種方式，可以快速挖掘出目標場景，并進一步評估該場景在數據閉環中的覆蓋度是否充足，以及最終能否支撐安全性的證明。

基于此，可以在軟件中明確挖掘出諸如"前車切出后另一車輛隨即切入"這類復合場景，并在所有此類場景下評估智駕系統的性能表現。這對算法開發與算法驗證都有實際幫助。與此同時，還可以查看新采集場景下的覆蓋情況。該場景本身也可以作為原子場景，繼續與其他場景進行組合搜索。

圖源：演講嘉賓素材

Foretellix 的解決方案，旨在幫助企業讓內部已有的數據飛輪運轉得更高效、更順暢。大多數企業都已建立數據飛輪，也有自己的數據湖。我們希望通過場景標簽實現數據治理、訓練與采集的閉環。

我們可以為 Data Lake 中的數據打上不同的場景標簽。當智駕系統在十字路口沖突場景下頻繁觸發剎車，我們可以調用AI Agent，將此類場景檢索出來，并創建一個包含所有相關片段的數據集，進而評估其覆蓋度情況如何，是否達標。在正式分析數據之前，我們需要先明確任務完成的判定標準，包括 ODD 定義和評價標準。

圖源：演講嘉賓素材

完成定義之后，可以進一步讓 AI 創建工作流，明確各步驟的先后順序和具體執行方式，并將企業內部工具串聯調用，以加速數據流通。確定工作內容后，下一步可創建驗證計劃。該計劃需基于既定目標和判定標準，驗證測試計劃能否有效分析數據，確保數據在規定范圍內表現良好。此外，還需要提供數據 Distribution 和 Coverage 兩方面的證明——Distribution 指數據分布是否與實際道路測試的分布保持一致；Coverage 指在給定分布下，所有情況是否至少被覆蓋一次。下圖是一個示例驗證計劃，可供參考設計。比如，在自車行為層面，可覆蓋泊車、車道保持、變道、路口通行等場景；周圍交通參與者方面，可涵蓋對向來車、跟車、加塞等類型。基于此，我們可以構建場景樹及其正交分布——本質上是一個高維矩陣，用于系統評估覆蓋情況。此外，也可以借助 AI 輔助生成此類驗證計劃。

圖源：演講嘉賓素材

通過從多個維度對場景樹進行拆解，可以看到各類場景樹下驗證計劃最終能夠展開為多少個可執行場景。將對應場景與數據進行映射，并疊加場景標簽與公司內部標簽，即可得到各維度下的覆蓋度分析結果。

比如，在匯入車場景下覆蓋度如何？當匯入車與通行標志同時出現時，交叉覆蓋度又是怎樣的？這些屬于比較傳統的矩陣形式。如果將某一覆蓋維度展開，可以看到對應的測試驗證計劃數量及其分布情況，比如速度分布、各類車輛行為分布等。只要是可以定義、且屬于值得關注的風險維度，都可以提取相應的分布。

圖源：演講嘉賓素材

有了這些分布之后，我們就可以向 AI 助手提問：當前入口場景的分布情況如何？是否存在覆蓋缺口？如果要改善該入口場景的覆蓋，應該在哪些方向上補充路測，或者在哪些方向上生成更多合成數據，從而實現閉環？再比如，未來在進行 ADS 認證時，如何更充分地證明相關能力？

我們還是回到數據飛輪上，Foretellix 更多扮演的是潤滑劑的角色，幫助企業讓這一飛輪轉得更順暢，更好地理解已有數據。遇到問題時，可以優先通過仿真進行復現。在擁有抽象場景數據集之后，可以定義數據集范圍，框定相應數據用于模型訓練。

圖源：演講嘉賓素材

上述各環節都離不開對抽象場景的理解。給定抽象場景后，如何高效泛化？得到數據集后如何分析其覆蓋度？進而如何分發新的數據采集任務，或交由合成數據團隊生成更多合成數據？合成數據團隊也可以直接利用泛化出的場景進行對接，比如當前較為熱門的 3D Gaussian Splatting、4D Gaussian，或類似 Cosmos 的世界模型來完成場景生成。完成迭代后，可執行回歸測試，確保不出現顧此失彼的情況——在覆蓋度區間內盡可能多地開展回歸測試，并識別哪些場景的 clip 對覆蓋度貢獻最大，優先完成該部分的回歸驗證。

這就是我們剛才提到的合成數據生成工作流。我們可以導入軌跡數據，利用 Scenario Designer 對軌跡進行編輯——使其向左或向右偏移、加速或減速，或將同一抽象場景遷移至道路上的其他位置；也可以直接導入數據并進行去噪處理，然后對接 Cosmos 仿真，或對接 3DGS/4DGS，以進行合成數據生成并填充覆蓋度空間。

圖源：演講嘉賓素材

我們同樣支持對接傳統仿真軟件。基于同一抽象場景定義，遵循 OpenSCENARIO 標準，可以泛化出大量 Object Level 軌跡，并通過仿真軟件完成場景泛化。無論是用于驗證還是合成數據生成，都可以在一定程度上加速數據飛輪的運轉。

圖源：演講嘉賓素材

最終，我們期望工具在投入使用后，隨著迭代的推進，覆蓋度與通過率均呈逐步上升的趨勢；同時能夠清晰地看到，在所有關注的風險維度中，還有哪些尚未被覆蓋。

當具備高維度抽象級別的場景描述后，就可以借助工具進行高維度泛化。這里的泛化并不是針對某條道路上的具體軌跡做速度微調，而是例如：自駕車無保護左轉時遭遇對向來車，紅綠燈狀態如何變化——要求生成100個、1000個乃至1萬個此類場景。這些場景可能發生在各類路口，自駕車無保護左轉時周圍的交通流軌跡也各不相同。通過泛化出的軌跡，可以分析問題與整個場景高維空間之間的相關性，進而輔助深入分析。這里我們引入了熵的概念，用于降低仿真不確定性，盡可能摸清自有算法的邊界。

圖源：演講嘉賓素材

整套方案同樣可以嵌入 SOTIF 框架中。總體來說就是：先定義目標，設計并運行測試，衡量場景執行情況；一方面持續提升覆蓋度，另一方面尋找更優質的數據以提升模型質量；最終經過完整的論證過程，達到停止標準，證明已滿足發版要求后再繼續推進。Foretellix 可以支撐上述全流程的落地實施。

圖源：演講嘉賓素材

最后，做一個總結。在數據層面，可以從車隊中收集數據用于訓練，對數據進行評估與探索；仿真則可進一步生成更多合成數據。我們需要理解數據缺口，并針對數據缺口獲取更多所需數據。對于不便通過實車采集的危險場景，可以借助合成數據來補充數據覆蓋。目前合成數據的仿真置信度也有國家相關標準正在制定中，可以將上述多種手段綜合運用，全面提升企業內部的數據閉環水平。（以上內容來自Foretellix中國應用工程總監徐天皓于2026年6月17日-18日在第九屆智能駕駛與出海大會發表的《基于Physical AI Dataset的ADS驗證閉環: 從場景理解到覆蓋度驅動決策》主題演講。）