一、问题背景：Clip 不是视频，而是一个多模态数据包

在自动驾驶数据闭环里，我们经常会说：

从一个 Clip 中提取 GPS 轨迹 shape、天气检测结果、关键帧 CLIP embedding 等特征。

很多人第一反应会以为 Clip 就是一段 .mp4 视频，然后所有特征都从视频画面里提取。

这是一个典型误区。

在自动驾驶场景中，一个 Clip 通常不是单一视频文件，而是一段时间窗口内的多模态数据包，里面可能包含：

1. 多路 Camera 视频
2. LiDAR 点云
3. Radar 目标
4. GPS / RTK / IMU 定位轨迹
5. CAN 总线信号
6. 车辆控制信号
7. 感知 / 预测 / 规控中间结果
8. 地图匹配结果
9. 人工接管 / 急刹 / TTC 等事件信号

所以，工程上真正要做的不是“从视频里提取所有东西”，而是：

把一个多模态 Clip 中不同来源的数据，对齐到同一个时间窗口下，然后分别提取语义特征、运动特征、环境特征和结构化标签，最终形成可检索、可训练、可评测的数据资产。

---

二、整体 Pipeline：一个 Clip 如何变成可检索特征？

一个典型的自动驾驶 Clip 特征提取流水线，可以抽象成下面这个结构：

Raw Clip
├── Camera Video
├── GPS / IMU
├── CAN Signal
├── LiDAR / Radar
├── Perception Result
└── Event Trigger

↓ 时间同步 / 数据对齐

Feature Extraction
├── 关键帧抽取
├── 图像语义 embedding
├── 天气 / 光照识别
├── GPS 轨迹 shape 编码
├── 运动学特征提取
├── 点云特征提取
└── 场景规则标签生成

↓

Feature Store / Metadata Store
├── MySQL / PostgreSQL：结构化标签
├── Iceberg / Hive：批量训练数据
├── Milvus / Faiss：向量索引
└── S3 / OSS / HDFS：原始 Clip 与派生数据

最终目标是让系统支持类似这样的检索：

搜索：雨天 + 夜晚 + 大曲率左转 + 前方行人横穿 + 接管前 5 秒

如果没有特征提取和元数据建设，这种查询只能靠人工翻视频。

有了特征化之后，就可以通过：

结构化条件过滤 + 向量相似检索 + 规则场景标签

快速定位目标数据。

---

三、关键帧 CLIP Embedding 怎么提取？

1. 为什么要提取关键帧 embedding？

视频原始数据太大，不能每一帧都进入语义模型。

比如一段 30 秒视频，30 FPS，一路摄像头就有：

30 秒 × 30 帧 = 900 帧

如果是 6 路摄像头，就是 5400 帧。

全量跑视觉大模型，成本不可接受。

所以第一步必须做关键帧抽取。

---

2. 关键帧抽取方法

工程上常见三种方案。

方案一：固定采样

最简单：

每 1 秒抽 1 帧
每 2 秒抽 1 帧

适合做粗粒度语义检索。

优点是简单稳定，缺点是可能漏掉突发事件。

---

方案二：帧间差分 / Scene Change

通过相邻帧差异判断画面变化：

diff = abs(frame_t - frame_t-1)
score = mean(diff)

如果 score 超过阈值，就认为发生了明显变化。

工程上可以用：

FFmpeg scene filter
OpenCV frame difference
SSIM

更推荐在大规模离线处理中使用 FFmpeg，因为它在 C/C++ 层完成解码和过滤，避免 Python 层大量内存拷贝。

示例：

ffmpeg -i input.mp4 \
-vf "select='gt(scene,0.3)'" \
-vsync vfr \
keyframe_%05d.jpg

---

方案三：事件触发关键帧

自动驾驶里最有价值的不是随机帧，而是事件前后的帧。

例如：

接管前 5 秒
急刹前 3 秒
TTC 小于阈值的时间段
感知低置信度时刻
规划轨迹突变时刻

这种方式最适合做数据闭环，因为它直接围绕模型失败场景抽样。

---

3. CLIP Embedding 用什么模型？

关键帧抽出来之后，需要把图像变成向量。

常见模型：

CLIP ViT-B/32
CLIP ViT-L/14
Chinese-CLIP
SigLIP
EVA-CLIP
自研自动驾驶场景 CLIP

基础流程：

关键帧
↓
Resize / Normalize
↓
Image Encoder
↓
Embedding Vector
↓
写入 Milvus / Faiss / Qdrant

示例输出：

{
"clip_id": "clip_20260428_001",
"camera": "front",
"timestamp": 1714280001.234,
"embedding_dim": 768,
"embedding": [0.012, -0.331, 0.092, "..."]
}

---

4. CLIP Embedding 适合解决什么问题？

它最适合做语义召回。

例如：

“雨天路口有行人横穿”
“前方大货车遮挡视野”
“施工区域锥桶密集”
“夜晚逆光场景”

文字 query 经过 Text Encoder 变成文本向量，图片经过 Image Encoder 变成图像向量，两者可以做相似度检索。

但要注意：

CLIP Embedding 适合做候选召回，不适合直接作为最终真值。

因为它可能把“广告牌上的人”和“真实行人”混淆，也可能对中国道路上的特殊交通参与者理解不足。

所以工程上通常是：

CLIP 粗召回
↓
规则 / 轻量模型 / VLM 精筛
↓
人工抽检
↓
进入训练集

---

四、天气 / 光照特征怎么提取？

1. 天气不是只靠图像判断

天气特征看似可以从视频中识别，但真实工程里不能只依赖视觉模型。

因为图像可能受曝光、污渍、摄像头脏污影响。

更稳的方式是多源融合：

视觉分类结果
+ CAN 信号
+ 雨刮器状态
+ 大灯状态
+ 时间信息
+ 地理位置天气 API
+ 感知模型置信度变化

---

2. 视觉侧用什么模型？

如果只是识别：

晴天
雨天
雪天
雾天
夜晚
逆光
隧道
脏污

不需要上大模型。

工程上更常用轻量分类模型：

ResNet-18
ResNet-50
MobileNetV3
EfficientNet-B0
ConvNeXt-Tiny
Swin-Tiny

原因很简单：

便宜
快
稳定
容易部署
适合批处理

输出可以是多标签结果：

{
"weather": {
    "rain": 0.82,
    "fog": 0.13,
    "snow": 0.01,
    "sunny": 0.05
},
"light": {
    "night": 0.91,
    "backlight": 0.64,
    "tunnel": 0.02
 }
}

---

3. CAN 信号如何参与判断？

例如雨天识别：

视觉模型判断：rain = 0.72
雨刮器状态：wiper_level = 3
车速：45 km/h
前挡摄像头亮度下降

融合后可以给出更高置信度：

rainy = true
confidence = high

再比如夜晚：

时间戳：20:30
大灯状态：on
图像亮度：低
视觉模型：night = 0.93

最终标签：

{
"weather_tag": "rain",
"light_tag": "night",
"confidence": 0.94,
"source": ["vision_classifier", "can_wiper", "headlight"]
}

---

五、GPS 轨迹 Shape 怎么提取？

1. 轨迹不是从视频里提取的

GPS 轨迹 shape 来自：

GPS
RTK
IMU
轮速计
高精地图匹配结果

不是来自图像。

它描述的是车在一段时间内怎么运动。

例如：

直行
左转
右转
掉头
S 弯
大曲率转弯
环岛绕行
车道偏移
低速蠕行

这些都属于轨迹 shape 特征。

---

2. 原始轨迹需要先清洗

原始 GPS 常见问题：

跳点
漂移
丢点
时间戳不齐
坐标系不统一
隧道/高架下定位异常

所以第一步通常是：

时间排序
异常点剔除
插值补齐
Kalman Filter 平滑
Map Matching
坐标系转换

一般会把经纬度转换成局部坐标系：

(latitude, longitude)
↓
ENU / UTM / local BEV coordinate
↓
(x, y, heading, speed, acceleration)

---

3. 轨迹 Shape 的规则特征

最常用的是统计特征，不一定要上深度模型。

典型特征包括：

轨迹总长度
平均速度
最大速度
平均加速度
最大减速度
最大曲率
平均曲率
航向角变化
横向位移
纵向位移
轨迹包围盒面积
是否发生掉头
是否大曲率转弯
是否频繁变道

例如曲率可以用于识别转弯：

curvature ↑ 说明轨迹弯曲程度高
heading_delta ↑ 说明车辆方向变化明显

简单标签可以这样生成：

if heading_delta > 70° and curvature > threshold:
tag = "large_turn"

if speed < 5 km/h and duration > 10s:
tag = "low_speed_crawling"

if deceleration < -4 m/s²:
tag = "hard_brake"

---

4. 轨迹 Embedding 用什么模型？

如果只是做规则场景识别，统计特征足够。

如果要做“相似轨迹检索”，例如：

找出所有和这个 Clip 类似的左转轨迹
找出所有类似 S 弯的轨迹
找出所有类似环岛绕行的轨迹

可以把轨迹序列编码成向量。

可选模型：

LSTM / GRU
1D-CNN
Temporal Convolution Network
Transformer Encoder
Trajectory2Vec

输入：

[(x1, y1, v1, a1, heading1),
(x2, y2, v2, a2, heading2),
...
(xn, yn, vn, an, headingn)]

输出：

trajectory_embedding: 128d / 256d

但在工程里，我更建议先用规则特征 + 统计特征。

原因是：

可解释
便宜
稳定
容易调参
适合面试和生产落地

深度轨迹 embedding 更适合后续做高级相似检索。

---

六、点云特征怎么提取？

1. 点云特征提取的目标

LiDAR 点云主要用于提取 3D 空间结构信息。

常见目标：

障碍物 3D 检测
点云语义分割
道路边界识别
车道线 / 路沿提取
静态障碍物识别
异形物体识别
遮挡区域分析
点云地图匹配

---

2. 工程落地优先选什么模型？

从工程落地角度，模型选择要看场景。

车端实时 / 边缘部署

优先：

PointPillars + CenterPoint

原因：

PointPillars 把 3D 点云压成 BEV 伪图像
后面可以用 2D CNN 提特征
算子友好
TensorRT 部署相对容易
延迟低
显存占用小

这类方案适合：

车端实时感知
边缘节点快速过滤
低延迟场景触发

---

云端自动标注 / 离线挖掘

优先：

SECOND
VoxelNet
CenterPoint
PV-RCNN
SparseConv based 3D detector

核心是稀疏卷积。

点云天然稀疏，大部分 3D 空间没有点，如果使用普通 3D 卷积，显存和计算会爆炸。

稀疏卷积只在有点的体素上计算，更适合云端高精度离线标注。

---

不建议作为工程主力的模型

不建议直接上：

PointNet / PointNet++
原始点云 Transformer

原因：

KNN / Ball Query 算子不规则
TensorRT 支持不友好
访存不连续
延迟不可控
大规模部署成本高

除非是研究验证，不建议作为生产主链路。

---

3. 点云特征最终怎么入库？

点云模型输出一般包括：

3D box
类别
置信度
速度
朝向
点云密度
遮挡程度
反射强度统计

可以写成结构化结果：

{
"clip_id": "clip_20260428_001",
"timestamp": 1714280001.234,
"objects": [
    {
    "class": "vehicle",
    "bbox_3d": [12.3, 3.1, 1.5, 4.2, 1.8, 1.6, 0.12],
    "confidence": 0.91,
    "velocity": 8.2,
    "point_count": 142,
    "intensity_mean": 0.63
    }
 ]
}

这些结果可以用于后续场景挖掘：

前方大车遮挡
近距离 cut-in
低反射目标
异形障碍物
施工区锥桶
点云稀疏/传感器异常

---

七、运动学特征怎么提取？

自动驾驶数据闭环里，很多高价值场景不是靠图像识别出来的，而是靠运动学信号发现的。

典型特征：

ego_speed
ego_acceleration
yaw_rate
steering_angle
brake_pressure
longitudinal_acc
lateral_acc
TTC
THW
relative_distance
relative_velocity

例如急刹：

if acceleration < -4.0 m/s²:
tag = "hard_brake"

例如危险跟车：

TTC = relative_distance / relative_speed

if TTC < 2.0s:
tag = "dangerous_following"

例如 Cut-in：

目标车辆横向距离快速减小
目标从相邻车道进入自车道
纵向距离小于阈值
TTC 降低

这些特征通常来自：

CAN
IMU
感知目标
预测轨迹
规控日志

模型不是重点，关键是规则体系 + 时序窗口 + 数据对齐。

---

八、最终特征如何存储？

工程上不要把所有特征都塞进一个表。

建议拆成三类存储。

1. 结构化元数据

适合存 MySQL / PostgreSQL / Doris / ClickHouse：

clip_id
start_time
end_time
vehicle_id
software_version
weather_tag
light_tag
road_type
event_type
max_speed
max_curvature
min_ttc
hard_brake_flag
takeover_flag

用于条件过滤。

---

2. 批量训练数据

适合存 Iceberg / Hive / Parquet：

训练样本
场景片段
关键帧路径
传感器数据路径
标注结果
质量校验结果

用于离线训练和样本构建。

---

3. 向量特征

适合存 Milvus / Faiss / Qdrant：

image_embedding
video_embedding
trajectory_embedding
scene_embedding

用于相似检索和语义检索。

---

九、一个完整的 Clip 特征结果示例

最终，一个 Clip 可能被加工成这样：

有了这种结构，后续数据检索就非常简单。

例如：

SELECT clip_id
FROM scene_metadata
WHERE weather = 'rain'
AND light = 'night'
AND takeover = true
AND min_ttc < 2.0
AND shape = 'large_left_turn';

再结合向量检索：

文本 query：“雨夜路口左转时前方有行人横穿”
↓
CLIP text embedding
↓
Milvus TopK
↓
与 SQL 结果求交集
↓
得到高价值训练 Clip

---

十、工程落地时最容易踩的坑

1. 不做时间同步

多模态数据如果时间没对齐，后面所有特征都是错的。

例如：

{
"clip_id": "clip_20260428_001",
"time_range": ["2026-04-28T10:00:00", "2026-04-28T10:00:30"],
"vehicle_id": "car_001",
"version": "ads_v2.3.1",

"environment": {
"weather": "rain",
"light": "night",
"confidence": 0.94
},

"trajectory": {
"shape": "large_left_turn",
"max_curvature": 0.18,
"heading_delta": 86.2,
"avg_speed": 23.4,
"max_deceleration": -3.8
},

"event": {
"takeover": true,
"hard_brake": false,
"min_ttc": 1.7
},

"vision": {
"keyframes": [
{
"timestamp": 1714280001.2,
"camera": "front",
"image_uri": "s3://bucket/keyframes/001.jpg",
"embedding_id": "milvus_88231"
}
]
},

"lidar": {
"object_count": 23,
"near_vehicle_count": 4,
"low_reflectivity_object": true
},

"scene_tags": [
"rain_night",
"large_left_turn",
"takeover_before_5s",
"low_ttc",
"complex_intersection"
]
}

视频帧是 t = 10.2s
GPS 是 t = 10.8s
CAN 是 t = 9.9s
点云是 t = 10.1s

如果直接拼接，会导致错误判断。

必须做：

timestamp alignment
nearest neighbor matching
interpolation
sensor delay compensation

---

2. 全量跑大模型

全量跑 CLIP、VLM、3D 检测大模型，成本会爆炸。

正确方式：

结构化信号粗筛
↓
轻量模型筛选
↓
TopK 候选送大模型
↓
人工抽检

---

3. 只有特征，没有版本

数据闭环必须记录：

特征提取代码版本
模型版本
参数版本
数据源版本
标注版本
时间窗口版本

否则模型效果变差时，无法回溯是哪批数据污染了训练集。

---

4. 只看召回，不看质量

挖出来 100 万个 Clip 没意义。

真正有意义的是：

是否提升目标场景 recall
是否降低接管率
是否降低碰撞率
是否改善 mAP / NDS
是否减少人工筛选成本

数据闭环的最终价值，不是数据量，而是模型改进。

---

十一、推荐的工程化技术选型

模块	推荐方案	说明
视频解码	FFmpeg / PyAV	大规模批处理优先 FFmpeg
关键帧抽取	固定采样 + scene filter + 事件触发	不建议全帧处理
图像 embedding	CLIP / SigLIP / EVA-CLIP / Auto-CLIP	用于语义召回
天气识别	ResNet / MobileNet / EfficientNet	轻量分类模型即可
轨迹特征	规则特征 + Kalman Filter + Map Matching	优先可解释方案
轨迹 embedding	LSTM / GRU / 1D Transformer	用于相似轨迹检索
点云车端模型	PointPillars + CenterPoint	延迟低，部署友好
点云云端模型	SECOND / VoxelNet / PV-RCNN / CenterPoint	精度优先
向量库	Milvus / Faiss / Qdrant	存 embedding
元数据存储	MySQL / PostgreSQL / ClickHouse	存结构化标签
离线数据湖	Iceberg / Hive / Parquet	存训练数据资产
调度系统	Airflow / DolphinScheduler / Argo	管理 DAG
分布式计算	Spark / Flink / Ray	批处理、实时、AI 任务分别适配

---

十二、总结：Clip 特征提取的本质

自动驾驶 Clip 特征提取，本质不是“从视频里抽几个特征”，而是构建一个面向模型迭代的数据索引系统。

真正工程化的做法是：

视频负责语义
GPS/IMU 负责轨迹
CAN 负责车身状态
点云负责空间结构
感知结果负责目标关系
规控日志负责失败原因

最后把它们统一沉淀成：

结构化标签
向量 embedding
场景 tag
质量分
数据版本

这样才能支撑后续的：

长尾场景挖掘
自动标注
主动学习
训练集构建
仿真回归
模型评测闭环

一句话总结：

Clip 特征提取不是算法脚本，而是自动驾驶数据闭环的索引层。谁能把 Clip 结构化、向量化、标签化，谁就能真正把 PB 级路测数据变成可训练、可评测、可迭代的模型燃料。