Xutian Chen

Xutian Chen

Machine Learning

五个月实习工作总结

实习周期：2026 年 3 月中旬至 2026 年 8 月中旬
方向：自动驾驶决策规划——路口场景数据、模型训练与仿真评测

一、实习概述

过去五个月，我的工作从熟悉自动驾驶决策规划研发环境与基础算法开始，逐步深入到路口场景的数据生产、数据质量治理、模型训练评测、仿真问题分析和可视化工具优化等完整链路。工作重心始终围绕路口转弯模型展开，覆盖人驾/自驾数据、左转/右转等典型场景；在实际项目中，我逐步具备了从发现问题、定位数据或工程原因，到组织实验和沉淀可复用流程的能力。

二、阶段性工作回顾

1. 3 月：完成环境融入，建立工程与业务认知

  • 完成公司规范、安全培训及 Autocar/Walle2 开发环境、代码编译、Mviz/Replay 仿真工具链的配置和使用。
  • 学习决策规划基础知识，包括轨迹有效性判断、路口转向逻辑、计算几何（曲线、凸包、AABB/OBB 等）以及 PnC 基础概念。
  • 在 isTrajectoryOutgoingEdgeValid 等逻辑上进行实践：引入自车转向完成度，使用角度差、饱和线性插值等方法优化动态边界判断；完成代码格式化、分支开发、PR、仿真回归及 diff report 分析的基础闭环。
  • 通过阅读上线文档、复现仿真 Case 和记录问题，建立了对大型工程代码、研发流程及质量验证方式的初步理解。

2. 4—5 月：修复并重构路口人驾数据生产链路

  • 深入 RA、Data Engine、Jenkins、MLP、数据集平台等工具链，梳理并维护路口人驾数据 Pipeline。
  • 系统定位并处理上游数据缺失、路径不一致、Proto 迁移、Dataset 加载、空数据集、Ray Worker 临时文件读取等问题；沉淀了从 Jenkins → MLP → Parquet → Dataset 的问题排查思路。
  • 梳理人驾数据处理的五步链路：有效路口事件提取、RA 专家帧处理、路口片段筛选、按左转/直行/右转分类聚合等，并明确正常帧、路口类型、车辆状态、车速、交通灯距离等过滤逻辑。
  • 完成缺失人驾数据的排查与补齐计划，整理数据来源、去向和日期记录；对比人驾与自驾 Pipeline 的上游数据量和分布，定位人驾上游存在数据缺失和异常帧占比较高的问题。
  • 推进每日/每周路口数据收集 Workflow，减少手工重复操作，并形成 Pipeline 修复和数据预处理文档。

3. 5—6 月：构建路口数据集并跑通模型训练闭环

  • 构建覆盖 2025 年 6 月至 2026 年 5 月的路口右转自驾数据集：从 SQL 提取路口场景、执行 RA 挖掘、应用数据质量过滤、完成时间戳对齐，使数据可直接用于特征导出。
  • 数据集规模从原始的 2,788,777 个 Case / 13,500.99 小时，经过质量过滤后沉淀为 1,081,369 个 Case / 3,446.43 小时 的右转自驾训练数据；同时构建人驾右转数据集并完成时间戳对齐。
  • 推进路口左转数据重刷、特征导出、训练与评测，组织通用 23 万、人驾 12 万、自驾 29 万样本的数据组合，完成 Query Decoder 的特征导出、Backbone/Head 训练、ONNX 导出和仿真评测。
  • 适配 Shared Encoder 6.3 与训练环境，处理模型配置、特征/标签命名、预训练权重、分支冲突和 Docker 环境问题；沉淀特征导出、训练、评测分支及常见报错处理经验。
  • 分析回归结果中的成功与失败 Case，识别轨迹避让、选道、曲率平滑等改善，也识别减速过度、让行失败、参考线异常、撞 curb 等问题，为后续模型迭代提供依据。

4. 7—8 月：推进路口模型复现、场景分析与可视化完善

  • 完成 Junction Model V2.1、JunctionTurn Decoder 等模型在 SE 6.3 环境下的数据重刷、特征导出、训练和评测适配，并持续分析人驾数据质量和 Daily 链路问题。
  • 开展 AR + IL 路口场景复现，以及 LogSim Case 归档和分析，提升对模型行为与仿真场景的理解。
  • 参与挂式卡车（Articulated Truck）交互场景挖掘与数据集构建，拓展了对特殊车型和复杂交互场景的数据需求理解。
  • 优化 Mviz Junction Model Widget 的可读性，包括字体尺寸和轨迹虚线间距调整；进一步开展 React Decider 可视化探索，增强模型调试和结果观察效率。
  • 完成训练分支向 devel 的适配，处理配置、依赖和代码合入问题，增强了对持续集成、分支演进和研发协作的认识。

三、核心产出

  1. 数据生产与治理
    • 修复并维护路口人驾 Daily Pipeline，完成数据链路、异常原因和补齐计划的文档化。
    • 设计路口数据自动收集 Workflow，覆盖驾驶模式、转向类型、RA 结果融合、过滤和分布统计。
    • 构建大规模路口右转自驾与人驾数据集，完成数据筛选、质量过滤、时间戳对齐和训练可用性验证。
  2. 模型训练与评测
    • 跑通 Query Decoder 的“数据重刷—特征导出—Backbone/Head 训练—ONNX 导出—仿真评测”全流程。
    • 完成 SE 6.3 相关适配，沉淀模型配置、训练脚本、分支和问题排查记录。
    • 基于回归仿真进行代表性 Case 分析，输出模型表现改善点及风险点。
  3. 工程与工具优化
    • 参与路口转向判断、参考线/距离场性能思考及仿真一致性验证。
    • 优化 Mviz 路口模型展示效果，并探索 Decider 可视化。
    • 持续沉淀数据预处理、Pipeline 修复、模型训练、问题 Case 等文档，降低后续复用和交接成本。

四、能力成长与反思

能力成长

  • 工程能力：从完成本地编译和简单改动，逐步能够独立处理分支开发、PR、Rebase/Cherry-pick、Proto 迁移、Jenkins/MLP 任务提交和仿真回归。
  • 数据能力：建立了从上游数据、SQL/RA 挖掘、Parquet、Dataset、过滤规则到特征导出的链路认知，能够基于数据量、分布和异常 Case 进行排查。
  • 模型能力：理解了路口转弯模型的训练数据构成、特征/标签配置、预训练模型接入、模型导出和回归评测流程。
  • 问题定位能力：从单点报错处理逐步转向沿数据流、任务依赖和运行环境进行系统定位，并将有效结论沉淀为文档。
  • 协作与表达能力：通过上线文档、Pipeline 修复总结、数据集说明和 Case 集合，将过程和结论结构化，提升与上下游同学协作的效率。

后续改进方向

  1. 在接手陌生模块时，先建立“工具—代码—数据—任务依赖—产出”的整体地图，再进入具体修改，减少局部试错。
  2. 强化数据质量指标和自动化校验，将数据量、过滤损耗、时序对齐、异常 Case 等检查前置到 Workflow。
  3. 将训练和评测进一步做成可复现实验模板，规范数据版本、配置、权重、模型产物和回归报告的溯源关系。
  4. 继续深入复杂交互场景与模型行为分析，将仿真 Case 结论反哺数据挖掘、样本构建和模型迭代。

五、总结

五个月实习期间，我完成了从“熟悉自动驾驶决策规划研发环境”到“能够参与路口数据、模型和仿真全链路迭代”的转变。最重要的收获不仅是完成若干数据集、训练任务和工程修复，更是形成了以数据质量为基础、模型训练为核心、仿真评测为验证、文档沉淀为复用的研发方法。后续我将继续提升端到端问题拆解、实验设计和复杂场景分析能力，为路口模型的稳定迭代贡献更扎实的工作产出。