feat(data): 盘点数据基建，并提取 2644 个连续不确定性极度遮挡样本

[JiafuZhang1]

UniDriveVLA 核心数据盘点与不确定性 (Uncertainty) 规划表

盘点人：JiafuZhang1 (二作 - 数据与预处理负责人)
环境状态：WSL2 + Conda 基建已通，已成功挂载 nuScenes v1.0-mini 验证集。
初步战果：已通过自动化探针脚本，在 5 个场景中成功定位并提取了 2644 个极度模糊/严重遮挡的优质长尾样本。

---

一、 数据字段全景盘点表

针对 UniDriveVLA 端到端基座的三个专家分支，当前原生数据集 (nuScenes) 的支持状态如下：

模块	核心字段 (Must-have)	字段描述	当前状态	风险/备注
感知 (Per)	CAM_FRONT, CAM_BACK...	多视角图像	✅ 充足	需提取相机内/外参矩阵用于 3D 投影对齐。
感知 (Per)	bboxes_3d	3D 标注框 (x, y, z, w, l, h, yaw)	✅ 充足	包含类别（车、人、障碍物等），格式需转为 Tensor。
感知 (Per)	map_layers	矢量地图 (Lanes, Crosswalk)	✅ 充足	主要是静态几何信息，需探讨动态路况的补充。
感知 (Per)	Visibility / Occlusion	不确定性真值 (Uncertainty)	🔍 重点排查	当前仅提取了 0-40% 粗略遮挡样本 (2644例)，下一步需细化为连续值。
理解 (Und)	nav_instruction / QA	文本/语义标签	⚠️ 缺失	nuScenes 原生无文本指令，需考虑挂载 DriveGPT4 等增强包。
规划 (Act)	ego_trajectory	车辆底盘轨迹 (未来 6s)	✅ 充足	动作专家的 Ground Truth，需确保时序平滑。
规划 (Act)	can_bus	底盘信号 (speed, steer, acc)	✅ 充足	已备好，视一作模型最小版本需求决定是否喂入。

---

二、 重点可疑字段深度剖析 (坑位预警)

在初步探查中，发现以下三个极易导致端到端模型训练崩溃的“坑”，需要团队重点关注：

1. 不确定性的真值粒度太粗 (核心课题)
   • 可疑点：nuScenes 原生的可见度 (visibility_token) 是离散分类（如 1: 0-40%），这对训练连续的不确定性分支来说信息量太低。
   • 应对方案 (二作负责)：我将编写脚本，利用现已找出的 2644 个极度遮挡样本，通过计算每个 3D 框内部的 LiDAR 点云密度，反向推导出一个 [0, 1] 的“遮挡连续值”，作为更精细的监督信号。
2. 语义与感知的时戳未严格对齐
   • 可疑点：图像频率（12Hz）和底盘信号频率（100Hz）天然不一致。
   • 风险：在高速转弯场景下，微小的时戳对齐误差会导致轨迹流匹配（Flow Matching）训练失败。需在 DataLoader 中加入时戳插值对齐逻辑。
3. 地图静态性导致的不确定性缺失
   • 可疑点：原生地图是静态的，但实际驾驶的不确定性往往来自动态路况（如临时修路）。
   • 应对方案：盘点并提取带有 construction (施工) 或 temporary_stop 属性的 Token，单独标记。

---

三、 场景驱动的数据划分 (Split) 方案 (Draft)

传统的随机洗牌划分无法体现大模型处理“长尾不确定性”的优势。本组数据划分建议采用场景驱动法：

• Train 集 (80%)：常规无遮挡、天气良好的标准工况。
• Uncertainty-Val 集 (10%)：
  • 筛选标准：专门筛选包含严重遮挡 (visibility=='1')、雨雾 (Rain/Fog)、夜晚 (Night) 等导致传感器退化的场景。
  • 目的：在此子集上，观察模型的 Aleatoric Uncertainty 指标是否如预期般显著升高。
• Hard-Test 集 (10%)：
  • 筛选标准：切入 (Cut-in)、鬼探头、复杂无信控路口。
  • 目的：验证 Planner 分支在感知不确定性飙升时，是否真的会输出“刹车/减速”等保守轨迹。

---

四、 待协同与确认事项 (To 一作)

为了加速第一版 Baseline 的收敛，需要你（一作）确认以下关键信息：

1. “不确定性”的具体落脚点：如果是聚焦“感知不确定性”，我本周全力去算 LiDAR 点云密度并打包；如果是聚焦“规划不确定性”，我需要去补全多模态轨迹真值。
2. 最小版本的吞吐量：本周出第一版模型调试，建议 DataLoader 只给你喂入 nuScenes 的 v1.0-mini 集（10个场景），以便快速排查 Bug，是否同意？