2026年度双轨学习与能力建设计划书

1. 年度定位

本计划书结合以下两份文件形成：

• 09-双轨路线下07规划修订与具身智能安全岗位分析.md
• 11-AI本体知识学习边界与安全审查清单.md

2026年的核心路线是：

主线：智驾AI安全保证。

副线：机器人/具身智能安全迁移。

年度目标不是转算法，也不是立刻转机器人，而是：

先用智驾AEB案例打穿AI安全、SOTIF、功能安全、测试验证和Safety Case闭环，同时补齐AI本体知识到“能审查、能追问、能转化为安全证据”的程度，并为2027年建立机器人/具身智能安全作品集做准备。

2. 年度总目标

到2026年底，应形成以下成果：

1. 一个AEB主案例框架，覆盖 FuSa + SOTIF + AI Safety + 测试验证 + Safety Case。
2. 一套AI本体知识与安全风险映射材料，覆盖 CNN、Transformer、ViT、PV、BEV、Occupancy、VLM、VLA 等。
3. 一个机器人/具身智能安全副案例框架，建议选择“服务机器人商场避障失败导致撞人风险”。
4. 一套模型风险审查清单，能用于追问算法、数据、测试团队。
5. 一套年度复盘材料，用于判断2027年是否继续强化智驾主线，还是开始正式建设机器人安全作品集。

3. 能力边界

2026年学习AI知识的边界必须明确：

要学到能审查，不学到做算法。

必须强掌握：

• 数据集划分。
• 数据质量。
• 数据泄漏。
• 分布偏移。
• OOD。
• FP/FN。
• Precision、Recall、F1、mAP。
• 置信度和不确定性。
• 增训和回归验证。
• 模型版本、数据版本、测试版本追踪。

必须能审查：

• CNN。
• Transformer。
• ViT。
• PV。
• BEV。
• Occupancy。
• 端到端模型。
• VLM。
• VLA。

了解即可：

• Imitation Learning。
• Reinforcement Learning。
• Diffusion Policy。
• World Model。
• Sim2Real。
• Agent安全。

暂不主攻：

• 从零训练大模型。
• 论文复现和刷榜。
• CUDA/TensorRT优化。
• SLAM实现。
• 运动控制算法实现。
• 强化学习算法研究。

4. 年度策略

4.1 主线策略

主线继续围绕智驾AI安全保证展开。

2026年不建议切换到机器人岗位，原因是：

• 智驾AI安全岗位更成熟。
• 你已有标准法规、质量工程、认证对接和AI安全基础。
• AEB案例更适合训练安全闭环能力。
• 机器人安全岗位仍在形成中，当前应先做迁移准备。

4.2 副线策略

副线不做大规模展开，只做“迁移准备”。

重点是把智驾中的方法迁移到机器人：

• ODD -> 机器人操作域。
• Triggering Condition -> 机器人触发条件。
• AEB避障/制动风险 -> 机器人避障/停止/限速风险。
• AI数据闭环 -> 具身智能数据闭环。
• Safety Case -> 机器人Safety Case。

4.3 代码实践策略

2026年需要补充代码视角，但代码不作为主线。

正确定位是：

用轻量代码支撑安全证据链，而不是转向算法研发或软件开发。

需要具备的代码能力：

• 用Python计算 TP/FP/FN/TN、Precision、Recall、F1。
• 对模型 V1/V2 做安全指标对比。
• 检查训练集、验证集、测试集是否存在数据泄漏。
• 统计数据gap和场景覆盖。
• 根据安全规则做发布门禁判断。
• 检查 SG -> FSR -> TSR -> Verification -> Evidence 追踪完整性。
• 将脚本结果生成Markdown或表格证据。

推荐技术栈：

• Python
• pandas
• numpy
• CSV/JSON/YAML
• pytest
• Markdown报告生成

暂不主攻：

• 深度学习模型训练框架。
• CUDA/TensorRT优化。
• SLAM实现。
• 运动控制算法。
• AUTOSAR底层开发。
• 大规模数据平台。

代码能力的目的：

把标准要求、AI模型风险、数据闭环、测试验证和认证证据链变成可计算、可检查、可审计的工程结果。

4.4 端到端模型安全升级策略

2026年的学习计划需要增加端到端视角。

原因：

端到端智驾模型正在减少传统“感知-融合-预测-规划-控制”的显式模块边界，但安全问题并没有消失。相反，很多风险从显式模块变成模型内部的隐式表征，Safety Case、测试验证和发布门禁会更难。

因此，原有中间步骤不能理解为“未来系统一定这样实现”，而应理解为：

安全分析语言和证据链框架。

端到端时代仍然需要回答：

• 模型在哪些ODD内可用？
• 哪些触发条件会导致模型输出危险轨迹或错误动作？
• 训练数据是否覆盖高风险场景？
• 模型输出轨迹是否满足安全约束？
• 是否存在独立安全监控器？
• 模型版本更新后是否引入回归？
• 如何证明风险可接受？
• 如何向认证机构解释模型安全性？

2026年的学习重点应升级为：

新增年度能力目标：

• 能解释模块化ADS和端到端ADS的安全论证差异。
• 能建立端到端模型安全追问清单。
• 能将场景风险、数据覆盖、输出轨迹约束、运行时监控和回归测试纳入Safety Case。
• 能判断“模型能力提升”是否真的带来“系统安全提升”。

5. 每周固定节奏

建议每周投入 8-10小时。

如果工作很忙，最低保证 5小时。

6. 2026年5月计划

6.1 月度主题

双轨路线校准 + AI基础概念补齐。

6.2 为什么先做这个

目前已经确定未来三年采用“双轨路线”，但如果没有AI基础概念，后续很难做AI安全、模型评估和具身智能风险分析。

5月的重点不是深入模型结构，而是建立AI安全负责人需要的基础语言。

6.3 学习内容

• 训练集、验证集、测试集。
• 数据泄漏。
• 过拟合、欠拟合。
• 分布偏移。
• OOD。
• FP、FN。
• Precision、Recall、F1、mAP。
• 置信度和Calibration。

6.4 本月任务

1. 完成 AI模型基础概念与安全风险对照表。
2. 完成 模型指标到安全证据映射表。
3. 将AEB漏触发和误触发映射到FN/FP。
4. 写一页“为什么mAP提升不等于AEB更安全”。
5. 梳理机器人避障场景中FN/FP的安全后果。

6.5 本月交付物

• AI模型基础概念与安全风险对照表
• 模型指标到安全证据映射表
• AEB FN/FP安全风险说明
• 机器人避障FN/FP安全风险说明

6.6 验收标准

能回答：

• AEB中FN和FP分别对应什么风险？
• 为什么mAP不能替代关键场景Recall？
• 数据泄漏为什么会导致安全证据失效？
• OOD输入为什么需要降级或触发人工确认？

7. 2026年6月计划

7.1 月度主题

AEB功能安全基础：HARA、Safety Goal、FSC/TSC。

7.2 为什么学这个

功能安全是智驾安全负责人的底层能力。即使未来转具身智能安全，也需要掌握危险事件、安全目标、安全需求和安全机制的分解方法。

7.3 学习内容

• Item Definition。
• Hazard。
• Operational Situation。
• Hazardous Event。
• S/E/C。
• ASIL。
• Safety Goal。
• FSC。
• TSC。
• FSR/TSR追踪。

7.4 本月任务

1. 完成AEB Item Definition。
2. 识别AEB至少6个危险事件。
3. 对AEB漏触发、误触发、制动请求异常做HARA。
4. 推导Safety Goals。
5. 初步拆解FSR和TSR。
6. 记录每个ASIL判断的不确定性和项目依赖。

7.5 本月交付物

• AEB Item Definition
• AEB HARA V1
• AEB Safety Goals V1
• AEB FSC/TSC V1
• SG-FSR-TSR追踪表

7.6 验收标准

能回答：

• AEB漏触发的Safety Goal是什么？
• AEB误触发的Safety Goal是什么？
• ASIL为什么不能脱离场景固定判断？
• FSR和TSR有什么区别？

8. 2026年7月计划

8.1 月度主题

ADS架构 + PV/BEV/Occupancy安全风险。

8.2 为什么学这个

如果不懂ADS架构，就无法判断AI模型风险如何传播到规划、控制和执行器。PV、BEV、Occupancy是智驾感知和空间理解的重要表达，也是后续迁移到机器人避障的关键。

8.3 学习内容

• ADS链路：感知、融合、定位、预测、规划、控制、执行器、HMI。
• PV。
• BEV。
• Occupancy。
• 多传感器融合。
• 时间同步。
• 标定误差。

8.4 本月任务

1. 画出AEB从传感器到制动执行的链路。
2. 写出PV、BEV、Occupancy的区别。
3. 分析BEV位置误差如何影响AEB/NOA安全。
4. 分析Occupancy错误如何影响机器人避障。
5. 制作 ADS架构与机器人架构对比表。

8.5 本月交付物

• AEB感知-决策-制动链路图
• PV-BEV-Occupancy安全影响说明
• BEV错误到规划控制风险传播说明
• ADS架构与机器人架构对比表

8.6 验收标准

能回答：

• PV和BEV有什么区别？
• BEV为什么不是天然安全？
• Occupancy对未知障碍物有什么价值？
• BEV位置误差如何影响规划和控制？

9. 2026年8月计划

9.1 月度主题

SOTIF、ODD、触发条件和机器人操作域。

9.2 为什么学这个

智驾和机器人都会在开放环境中遇到“系统没有坏，但能力不足”的风险。SOTIF方法可以迁移到机器人操作域、触发条件和场景风险分析。

9.3 学习内容

• SOTIF四象限。
• ODD。
• Triggering Condition。
• 功能场景、逻辑场景、具体场景。
• 未知不安全场景。
• 残余风险。
• 机器人操作域。

9.4 本月任务

1. 定义AEB初始ODD。
2. 列出至少20个AEB触发条件。
3. 建立AEB触发条件到数据/测试需求的映射。
4. 定义服务机器人商场场景的操作域。
5. 列出至少15个机器人触发条件。

9.5 本月交付物

• AEB ODD边界清单
• AEB Triggering Condition Matrix
• AEB触发条件到数据测试映射表
• 机器人操作域与触发条件初版

9.6 验收标准

能回答：

• 什么是ODD边界？
• 传感器没坏但仍然不安全属于什么问题？
• AEB触发条件如何转成数据和测试需求？
• 机器人操作域和智驾ODD有什么相似点和差异？

10. 2026年9月计划

10.1 月度主题

AI数据闭环、数据gap、增训和回归验证。

10.2 为什么学这个

AI安全落地的核心不在概念，而在数据闭环。未来不管智驾还是具身智能，都必须证明数据补强和模型更新真的降低风险，并且没有引入新风险。

10.3 学习内容

• 数据生命周期。
• 数据质量要求。
• 数据gap。
• 标注质量。
• 数据版本。
• 模型版本。
• 增训触发。
• 回归验证。
• 发布门禁。

10.4 本月任务

1. 从AEB触发条件反推数据需求。
2. 制作AEB数据gap分析模板。
3. 设计AEB增训触发规则。
4. 设计模型增训效果验证模板。
5. 制作具身智能数据闭环风险清单。

10.5 本月交付物

• AEB数据质量要求清单
• AEB数据gap分析模板
• AEB增训触发规则
• AEB增训效果验证模板
• 具身智能数据闭环风险清单

10.6 验收标准

能回答：

• 数据量大为什么不等于数据安全充分？
• 增训如何证明有效？
• 如何防止增训引入回归？
• 具身智能数据和智驾数据有什么不同？

11. 2026年10月计划

11.1 月度主题

Transformer、ViT、VLM、VLA和端到端模型安全。

11.2 为什么学这个

未来智驾和机器人都会更多使用Transformer、多模态模型、VLM、VLA和端到端模型。你不需要训练这些模型，但必须能审查它们的安全风险。

11.3 学习内容

• Transformer。
• ViT。
• VLM。
• VLA。
• 端到端自动驾驶模型。
• 语言指令误解。
• 多模态冲突。
• 动作安全约束。
• 运行时监控器。

11.4 本月任务

1. 写出Transformer/ViT的安全风险摘要。
2. 写出VLM和VLA区别。
3. 制作VLA机器人安全风险清单。
4. 制作端到端模型Safety Case追问清单。
5. 分析服务机器人执行歧义指令的风险。

11.5 本月交付物

• Transformer-ViT安全风险摘要
• VLM-VLA区别与安全影响说明
• VLA机器人安全风险清单
• 端到端模型Safety Case追问清单
• 服务机器人歧义指令风险分析

11.6 验收标准

能回答：

• Transformer为什么会影响智驾和机器人AI？
• VLM和VLA有什么区别？
• VLA为什么比VLM更需要安全约束？
• 端到端模型为什么更难构建Safety Case？

12. 2026年11月计划

12.1 月度主题

测试验证、故障注入、机器人安全测试。

12.2 为什么学这个

所有安全论证最终都要落到证据。测试验证是标准、模型、数据和Safety Case之间的桥梁。

12.3 学习内容

• SIL。
• HIL。
• 场景回放。
• 封闭场测试。
• 故障注入。
• OOD测试。
• 长尾场景测试。
• 机器人急停、限速、防碰撞、人机近距离交互测试。

12.4 本月任务

1. 为AEB安全需求分配测试方法。
2. 建立AEB故障注入矩阵。
3. 建立AEB场景测试用例初版。
4. 建立机器人安全测试方法清单。
5. 设计服务机器人避障失败的测试场景。

12.5 本月交付物

• AEB测试方法分配表
• AEB故障注入测试矩阵
• AEB场景测试用例V1
• 机器人安全测试方法清单
• 服务机器人避障测试场景V1

12.6 验收标准

能回答：

• 为什么不能只靠实车测试证明安全？
• 故障注入如何验证安全机制？
• 机器人急停和限速测试如何设计？
• OOD测试和长尾场景测试如何支撑AI安全？

13. 2026年12月计划

13.1 月度主题

Safety Case、认证应答、年度作品集整合。

13.2 为什么学这个

年度成果必须转成可展示、可复用、可面试、可迁移的作品集。Safety Case是把标准、需求、数据、模型、测试和证据串起来的核心。

13.3 学习内容

• Claim-Argument-Evidence。
• Safety Case。
• 认证问题应答。
• 管理层风险汇报。
• 发布门禁。
• 模型变更影响分析。
• 机器人Safety Case。

13.4 本月任务

1. 整理AEB年度作品集。
2. 完成AEB Safety Case框架。
3. 准备20个认证机构可能追问的问题。
4. 完成服务机器人避障安全案例框架。
5. 做2026年度能力复盘。
6. 制定2027年计划：智驾主线真实项目主导权 + 机器人作品集建设。

13.5 本月交付物

• AEB安全保证作品集V1
• AEB Safety Case框架V1
• AEB认证问题应答库V1
• 服务机器人避障安全案例框架
• 2026年度能力复盘
• 2027年度行动计划草案

13.6 验收标准

能回答：

• 如何证明AEB在目标ODD内风险可控？
• AI模型风险如何进入Safety Case？
• 机器人避障失败如何做安全论证？
• 2027年是否具备开始建设机器人安全作品集的条件？

14. 年度关键交付物清单

2026年底至少应完成：

15. 年底自查问题

到2026年底，用以下问题判断计划是否成功：

• 我能否讲清楚AEB的主要危险事件、Safety Goal和安全机制？
• 我能否把AEB触发条件转成数据需求和测试需求？
• 我能否解释BEV、PV、Occupancy的安全影响？
• 我能否审查模型指标报告中的安全缺口？
• 我能否说明增训如何证明有效、如何防止回归？
• 我能否解释VLM/VLA在机器人中的安全风险？
• 我能否搭出一个AEB Safety Case框架？
• 我能否搭出一个服务机器人避障安全案例框架？
• 我是否具备2027年争取真实项目主导权的基础？

16. 2026年不做什么

为避免分散精力，2026年明确不做以下事情：

• 不系统转算法。
• 不复现深度学习论文。
• 不主攻SLAM或运动控制。
• 不主攻机器人硬件。
• 不大量学习CUDA/TensorRT。
• 不为了机器人热度放弃智驾主线。
• 不把所有AI模型都学到实现级别。

17. 最终判断

2026年的关键词是：

打底、建模、迁移、成型。

打底：

• 打牢AI安全基础、功能安全基础、SOTIF基础。

建模：

• 用AEB建立完整智驾AI安全保证案例。

迁移：

• 将ODD、触发条件、数据闭环、模型审查、Safety Case迁移到机器人安全。

成型：

• 年底形成AEB主作品集和机器人副案例框架。

今年不急于切换机器人岗位。

今年最重要的是形成能迁移的硬能力：

懂AI模型风险，懂安全分析，懂数据闭环，懂测试验证，懂Safety Case，并能把这些能力从智驾迁移到具身智能/机器人安全。