数据增强是训练自动驾驶系统机器学习模型的关键技术。它通过对现有数据进行修改来人为地扩展数据集，从而帮助模型更好地泛化到真实世界的场景。例如，来自相机、激光雷达或雷达的原始传感器数据在多样性方面通常受到限制，尤其是在罕见或危险的驾驶情况下。数据增强通过创建数据的变体来弥补这一差距，例如调整光照、添加天气效果或模拟传感器噪声。这确保了系统能够处理不可预测的条件，而无需详尽的真实世界数据收集。
一个常见的应用是增强相机图像以模拟不同的环境条件。例如，向图像中添加合成的雨、雾或雪可以帮助模型识别能见度差的物体。像翻转、旋转或缩放图像这样的几何变换可以提高模型从不寻常的角度检测车辆或行人的能力。同样，调整亮度或对比度可以模拟白天或夜晚光照的变化。对于激光雷达数据，增强可能包括随机删除点以模拟遮挡或添加噪声以反映传感器缺陷。这些技术确保即使传感器提供不完整或失真的输入，感知系统也能保持稳健。
另一个关键用例是生成罕见或危险的场景。例如，增强数据以包括虚拟障碍物、突然的变道或不稳定的行人行为，从而为系统准备好应对边缘情况。像 CARLA 或 NVIDIA 的 DriveSim 这样的工具可以创建可以编程这些场景的合成环境，从而补充真实世界的数据。时序增强，例如改变视频序列中物体的速度，也有助于模型处理动态交互。通过对这个扩展的数据集进行训练，自动驾驶系统学会安全地导航复杂的真实世界情况，从而减少对昂贵且耗时的物理测试的依赖。