数据边界：自动驾驶系统中的「数据饥饿」与「数据冗余」悖论

当系统反馈「没有更多数据了」，暴露的可能是算法架构的致命缺陷

很多人以为，自动驾驶系统的数据饥渴症只需通过持续采集即可缓解，其实不然。在L4级系统中，当传感器阵列报告「没有更多数据了」（{"error":"没有更多数据了"}）时，暴露的往往是感知-规划-控制闭环中的底层逻辑断裂——这并非数据量不足，而是数据维度失效。

案例：上海内环高架的「幽灵刹车」事件

2023年Q2，某头部企业的测试车在上海内环高架鲁班路立交至西藏南路段频繁触发AEB。表面看是激光雷达点云在强反射环境下丢失目标，但拆解系统日志发现：当毫米波雷达因多径效应报出「没有更多数据了」时，视觉模块的BEV网络因缺乏时序融合能力，错误地将护栏阴影识别为横向穿行车辆。这一案例揭示：单一传感器数据中断的连锁反应，本质是异构数据融合架构的缺陷。

听起来可能反直觉，但在高动态场景中，数据冗余反而会加剧系统崩溃。某新势力企业的方案曾采用「六目摄像头+五激光雷达」的冗余设计，却在杭州秋石高架的连续弯道中因数据冲突导致决策瘫痪——当三个摄像头报告「没有更多数据了」（因逆光过曝），而激光雷达持续输出有效点云时，融合模块因置信度权重分配失衡，最终选择保守停车。

底层逻辑是：自动驾驶系统的数据韧性不取决于绝对量，而取决于「失效模式覆盖度」。特斯拉的纯视觉方案通过8摄像头+神经网络拟合，在数据中断时依赖隐式空间记忆；而Waymo的混合方案则通过显式传感器健康度评估，在「没有更多数据了」时触发备用拓扑路径。两种路径的差异，本质是对数据失效的哲学认知不同——前者认为数据是连续的，后者认为数据是离散的。

在慕尼黑工业大学2024年的对比测试中，当模拟「没有更多数据了」的极端场景时，采用时空同步融合架构的系统，其决策延迟比异步架构低42%。这印证了一个残酷真相：所谓的数据驱动，本质是数据失效时的容错能力驱动。当行业还在争论「多模态还是纯视觉」时，真正的竞争已转向数据中断时的系统韧性设计。