在自動(dòng)駕駛系統(tǒng)的研發(fā)過(guò)程中，數(shù)據(jù)標(biāo)注是實(shí)現(xiàn)高性能感知模型的基礎(chǔ)環(huán)節(jié)，其核心目標(biāo)是將車(chē)輛從環(huán)境中采集到的原始感知數(shù)據(jù)（主要包括圖像、點(diǎn)云、視頻序列等）轉(zhuǎn)化為具有語(yǔ)義信息的結(jié)構(gòu)化標(biāo)簽。這些標(biāo)簽不僅構(gòu)成了模型訓(xùn)練與評(píng)估的數(shù)據(jù)基礎(chǔ)，也直接影響系統(tǒng)在實(shí)際道路環(huán)境中的識(shí)別、理解和決策能力。準(zhǔn)確、系統(tǒng)的數(shù)據(jù)標(biāo)注能夠有效提升感知算法的魯棒性與泛化能力，因此數(shù)據(jù)標(biāo)注在整個(gè)自動(dòng)駕駛技術(shù)體系中具有不可替代的重要性。之前就和大家聊過(guò)自動(dòng)駕駛數(shù)據(jù)標(biāo)注的含義及流程（相關(guān)閱讀：什么是自動(dòng)駕駛數(shù)據(jù)標(biāo)注？如何好做數(shù)據(jù)標(biāo)注？），今天就和大家聊聊自動(dòng)駕駛數(shù)據(jù)標(biāo)注主要標(biāo)注些啥！

以圖像數(shù)據(jù)為例，自動(dòng)駕駛車(chē)輛搭載的前視、側(cè)視及后視攝像頭在不同時(shí)序中連續(xù)采集道路場(chǎng)景，標(biāo)注工作首先聚焦于場(chǎng)景中關(guān)鍵目標(biāo)的識(shí)別與定位，其中包括行駛車(chē)輛、非機(jī)動(dòng)車(chē)、行人、交通標(biāo)志、紅綠燈、車(chē)道線、人行橫道、減速帶等目標(biāo)對(duì)象。標(biāo)注形式主要采用二維邊界框（2D bounding box）、實(shí)例分割（instance segmentation）或語(yǔ)義分割（semantic segmentation）等方式，語(yǔ)義分割通過(guò)對(duì)圖像中每個(gè)像素賦予明確的類(lèi)別標(biāo)簽，實(shí)現(xiàn)高精度目標(biāo)識(shí)別；實(shí)例分割則進(jìn)一步區(qū)分同類(lèi)物體之間的個(gè)體邊界，便于系統(tǒng)對(duì)目標(biāo)狀態(tài)和行為進(jìn)行獨(dú)立建模。如多個(gè)并行行駛的車(chē)輛不僅要被識(shí)別為“車(chē)輛”類(lèi)，還需要區(qū)分成“車(chē)輛A”、“車(chē)輛B”等，以供后續(xù)的軌跡預(yù)測(cè)與風(fēng)險(xiǎn)評(píng)估模塊調(diào)用。

在三維空間建模中，激光雷達(dá)點(diǎn)云數(shù)據(jù)的標(biāo)注則具有更高的空間復(fù)雜性。由于點(diǎn)云反映的是物體的空間分布結(jié)構(gòu)，標(biāo)注過(guò)程一般采用三維包圍框（3D bounding box）的方式，記錄目標(biāo)物體在X、Y、Z坐標(biāo)軸上的尺寸、中心點(diǎn)、朝向角和類(lèi)別屬性。一輛前方車(chē)輛的點(diǎn)云標(biāo)簽不僅包括其空間范圍，還要精確到是否靜止、緩行或變道等動(dòng)態(tài)狀態(tài)。在序列點(diǎn)云數(shù)據(jù)中，還需為每個(gè)目標(biāo)在連續(xù)幀中賦予一致的標(biāo)識(shí)符（object ID），構(gòu)建目標(biāo)在時(shí)間維度上的軌跡。這種“時(shí)間一致性標(biāo)注”有助于算法學(xué)習(xí)目標(biāo)的運(yùn)動(dòng)規(guī)律，為高精度預(yù)測(cè)模型提供時(shí)序特征輸入。

除了單模態(tài)標(biāo)注，自動(dòng)駕駛系統(tǒng)中的多傳感器融合也要求跨模態(tài)的數(shù)據(jù)標(biāo)注。在圖像與激光雷達(dá)融合的場(chǎng)景下，同一目標(biāo)需要在不同模態(tài)下標(biāo)注對(duì)應(yīng)關(guān)系，這一過(guò)程依賴(lài)高精度的傳感器外參標(biāo)定。這就需要先在圖像中完成二維目標(biāo)標(biāo)注，然后通過(guò)坐標(biāo)轉(zhuǎn)換映射至點(diǎn)云中定位目標(biāo)在三維空間中的位置，再繪制三維包圍框，實(shí)現(xiàn)圖像與點(diǎn)云的同步語(yǔ)義對(duì)齊。這種融合標(biāo)注不僅提高了模型在復(fù)雜場(chǎng)景下的識(shí)別準(zhǔn)確性，也為后續(xù)的目標(biāo)關(guān)聯(lián)、多模態(tài)特征提取與時(shí)空建模提供了基礎(chǔ)數(shù)據(jù)支撐。

在高精地圖數(shù)據(jù)的構(gòu)建過(guò)程中，標(biāo)注則承擔(dān)了對(duì)道路空間幾何結(jié)構(gòu)和語(yǔ)義要素的抽象與提取任務(wù)。標(biāo)注內(nèi)容包括車(chē)道中心線、車(chē)道邊界、車(chē)道類(lèi)型、交通標(biāo)志位置信息、信號(hào)燈安裝結(jié)構(gòu)、道路坡度、曲率變化、限速信息等靜態(tài)元素。這些信息通常以圖層形式疊加在全球?qū)Ш絽⒖甲鴺?biāo)系（如WGS-84）中，并與實(shí)時(shí)定位系統(tǒng)相匹配，使自動(dòng)駕駛車(chē)輛能夠在厘米級(jí)精度范圍內(nèi)感知自身相對(duì)位置，從而完成路徑規(guī)劃、變道判斷及信號(hào)燈決策等關(guān)鍵操作。地圖數(shù)據(jù)的標(biāo)注不僅要求高空間精度，還必須與感知標(biāo)注保持語(yǔ)義一致性，確保感知-地圖聯(lián)動(dòng)模型的穩(wěn)定性。

除了對(duì)于交通信息的標(biāo)注外，標(biāo)注還包括對(duì)整體環(huán)境狀態(tài)的描述，如當(dāng)前道路類(lèi)型（城市道路、快速路、高速公路）、天氣條件（晴、雨、霧、雪）、光照環(huán)境（白天、黃昏、夜間）及交通密度（稀疏、適中、擁堵）等。這些非結(jié)構(gòu)化信息通常作為附加標(biāo)簽與主干感知數(shù)據(jù)一并存儲(chǔ)，在模型訓(xùn)練過(guò)程中作為輔助輸入，有助于提升模型在多樣化場(chǎng)景下的適應(yīng)能力，減少對(duì)極端天氣或少見(jiàn)道路狀態(tài)的誤判風(fēng)險(xiǎn)。

行為層面的標(biāo)注則更加聚焦于動(dòng)態(tài)交通參與者的運(yùn)動(dòng)特征與意圖識(shí)別。在連續(xù)圖像或點(diǎn)云序列中，標(biāo)注時(shí)需記錄車(chē)輛、行人、自行車(chē)等目標(biāo)的運(yùn)動(dòng)軌跡，并附加如加速、減速、轉(zhuǎn)向、停止、橫穿、等待等動(dòng)態(tài)屬性信息。這類(lèi)標(biāo)簽不僅可以用于訓(xùn)練軌跡預(yù)測(cè)模型，也可用于建構(gòu)高階行為識(shí)別模型，使系統(tǒng)能夠判斷目標(biāo)是否存在潛在風(fēng)險(xiǎn)或突發(fā)變動(dòng)，從而及時(shí)調(diào)整駕駛策略。為了提升行為識(shí)別的細(xì)粒度表達(dá)，在某些項(xiàng)目中，還會(huì)對(duì)人類(lèi)目標(biāo)進(jìn)行關(guān)鍵點(diǎn)標(biāo)注（如頭部、軀干、四肢關(guān)節(jié)）或動(dòng)作標(biāo)簽（如揮手、回頭、奔跑），為復(fù)雜交互環(huán)境下的意圖推理提供先驗(yàn)數(shù)據(jù)。

數(shù)據(jù)標(biāo)注的質(zhì)量直接影響模型訓(xùn)練的效果與實(shí)際部署的安全性。因此，在整個(gè)標(biāo)注流程中，質(zhì)量控制是重中之重。項(xiàng)目團(tuán)隊(duì)會(huì)制定標(biāo)準(zhǔn)化的標(biāo)注規(guī)范文檔，明確目標(biāo)分類(lèi)標(biāo)準(zhǔn)、邊界劃定原則、遮擋處理策略、置信度打分機(jī)制等技術(shù)細(xì)則。標(biāo)注人員需經(jīng)過(guò)專(zhuān)業(yè)培訓(xùn)，通過(guò)考核后方可參與正式標(biāo)注任務(wù)。標(biāo)注完成后，還需經(jīng)過(guò)至少兩輪人工復(fù)審和一輪自動(dòng)化腳本檢測(cè)，確保數(shù)據(jù)在語(yǔ)義、空間、時(shí)間維度上的一致性。自動(dòng)化檢測(cè)可識(shí)別邊框尺寸異常、類(lèi)別不一致、ID漂移等問(wèn)題，并輸出修正建議供人工確認(rèn)，從而保障數(shù)據(jù)集在大規(guī)模使用時(shí)具備穩(wěn)定性和可重復(fù)性。

主機(jī)廠和技術(shù)公司通常基于自研標(biāo)注平臺(tái)，結(jié)合自采數(shù)據(jù)、場(chǎng)景采樣機(jī)制和反饋式訓(xùn)練策略，形成持續(xù)迭代的數(shù)據(jù)閉環(huán)。特斯拉就通過(guò)“影子模式”在真實(shí)用戶駕駛中采集系統(tǒng)誤判樣本，回流至數(shù)據(jù)標(biāo)注團(tuán)隊(duì)進(jìn)行再標(biāo)注，形成模型優(yōu)化的真實(shí)用例補(bǔ)集；Waymo則發(fā)布開(kāi)放數(shù)據(jù)集，規(guī)范標(biāo)注格式并設(shè)立數(shù)據(jù)挑戰(zhàn)賽，推動(dòng)行業(yè)間標(biāo)注標(biāo)準(zhǔn)與評(píng)價(jià)體系趨同。百度Apollo、AutoX、Momenta等國(guó)內(nèi)企業(yè)則通過(guò)在不同城市、不同交通規(guī)則下采集數(shù)據(jù)、定向標(biāo)注、訓(xùn)練本地化模型，以提升在本地場(chǎng)景中的部署適應(yīng)性。

綜上所述，自動(dòng)駕駛數(shù)據(jù)標(biāo)注的核心任務(wù)是為算法提供準(zhǔn)確、全面、時(shí)序一致且場(chǎng)景豐富的訓(xùn)練樣本，涵蓋從二維圖像中的語(yǔ)義信息，到三維點(diǎn)云中的空間建模，再到多模態(tài)數(shù)據(jù)的融合對(duì)齊、高精地圖的結(jié)構(gòu)化表達(dá)以及動(dòng)態(tài)行為的時(shí)序軌跡。在整個(gè)自動(dòng)駕駛感知鏈條中，標(biāo)注數(shù)據(jù)的標(biāo)準(zhǔn)化、系統(tǒng)性與質(zhì)量保障是實(shí)現(xiàn)“機(jī)器理解世界”的根本前提，也是感知、預(yù)測(cè)、決策、控制四大模塊協(xié)同運(yùn)作的基礎(chǔ)支撐。隨著自動(dòng)駕駛系統(tǒng)逐步走向量產(chǎn)應(yīng)用，數(shù)據(jù)標(biāo)注工作的科學(xué)性與工程能力將持續(xù)成為決定算法性能和系統(tǒng)安全性的關(guān)鍵因素之一。

-- END --

       原文標(biāo)題 : 自動(dòng)駕駛數(shù)據(jù)標(biāo)注主要是標(biāo)注什么？