Huber损失（Huber Loss）是回归问题中常用的一种鲁棒损失函数，由统计学家Peter Huber于1964年提出，旨在结合均方误差（MSE）和绝对误差（MAE）的优势。其核心思想是对误差较小的样本采用平方惩罚以保持平滑性，而对误差较大的样本采用线性惩罚以降低异常值的影响。数学表达式为分段函数：当预测值与真实值的绝对差小于阈值δ时采用二次项，否则采用线性项。这种设计使得Huber损失对离群点不敏感，同时保持可微性，特别适合自动驾驶中传感器数据存在噪声的场景。
在自动驾驶领域，Huber损失常被用于车辆轨迹预测、障碍物距离估计等任务。例如，激光雷达或摄像头采集的环境感知数据难免存在测量误差，若直接使用MSE会导致模型对异常值过度敏感，而MAE虽能缓解该问题却收敛缓慢。Huber损失通过动态调整惩罚强度，既保证了训练稳定性，又提升了模型在复杂交通环境中的泛化能力。特斯拉Autopilot等系统在早期版本中便采用了该损失函数处理不完美的传感器输入。