數(shù)據(jù)閉環(huán)，智能駕駛下半場的制勝法寶

行業(yè)需求及現(xiàn)狀

智能駕駛進(jìn)入數(shù)據(jù)驅(qū)動(dòng)時(shí)代，數(shù)據(jù)閉環(huán)是智能駕駛量產(chǎn)落地的核心飛輪：更多場景，需要更多數(shù)據(jù)，訓(xùn)練更復(fù)雜的算法模型。

隨著近兩年的技術(shù)迭代，智能駕駛發(fā)展的重心已從技術(shù)研發(fā)比拼轉(zhuǎn)移到商業(yè)化落地的競爭，自2022年起，頭部車企紛紛宣布城市場景NOA（Navigate on Autopilot，自動(dòng)輔助導(dǎo)航駕駛）的量產(chǎn)落地計(jì)劃。據(jù)預(yù)測，2025年中國城市NOA前裝市場規(guī)模將達(dá)到76億元。實(shí)現(xiàn)城市NOA是智能駕駛商業(yè)化向前邁出的一大步，而智能駕駛的成熟依賴于高效的算力、完善的算法模型和大量有效的數(shù)據(jù)。

圖12021—2025年中國城市NOA市場規(guī)模預(yù)測（億元）

智能駕駛所需的場景數(shù)據(jù)應(yīng)該盡可能多地涵蓋Corner Case，算法模型的升級(jí)迭代也需要新場景數(shù)據(jù)的不斷投喂，數(shù)據(jù)重要性日益凸顯，從主機(jī)廠到Tier 1，智能駕駛產(chǎn)業(yè)上下游各玩家都將目光投向了智能駕駛數(shù)據(jù)閉環(huán)的打造。智能駕駛進(jìn)入下半場之后，那些無法在數(shù)據(jù)閉環(huán)能力上取得突破的公司在一方面會(huì)被“高成本”和“低效率”拖累，另一方面還會(huì)因?yàn)閷orner Case的解決能力無法取得突破，而難以令終端消費(fèi)者滿意。對智能駕駛來說，更高質(zhì)量的訓(xùn)練數(shù)據(jù)在其場景化落地中發(fā)揮不可或缺的作用，擁有一套完整的數(shù)據(jù)服務(wù)工具對實(shí)現(xiàn)智能駕駛數(shù)據(jù)閉環(huán)的高效運(yùn)轉(zhuǎn)至關(guān)重要。依據(jù)全國信息安全標(biāo)準(zhǔn)化技術(shù)委員會(huì)發(fā)布的《汽車采集數(shù)據(jù)處理安全指南》，汽車采集數(shù)據(jù)指通過汽車傳感設(shè)備、控制單元采集的數(shù)據(jù)，以及對其進(jìn)行加工后產(chǎn)生的數(shù)據(jù)。汽車采集數(shù)據(jù)經(jīng)過標(biāo)注、處理、存儲(chǔ)、管理等處理，形成有效數(shù)據(jù)集，進(jìn)一步存儲(chǔ)在云端服務(wù)器中，之后傳輸至算法模型，經(jīng)過訓(xùn)練部署到車端進(jìn)行應(yīng)用驗(yàn)證，形成一套由數(shù)據(jù)驅(qū)動(dòng)算法迭代，進(jìn)而驅(qū)動(dòng)智能駕駛能力升級(jí)的閉環(huán)模型。

智能駕駛數(shù)據(jù)服務(wù)的痛點(diǎn)與難點(diǎn)

獲取低成本、高質(zhì)量的數(shù)據(jù)

智能駕駛的真正落地需要大量高質(zhì)量、安全無偏差的數(shù)據(jù)，但目前獲取低成本、高質(zhì)量的數(shù)據(jù)仍然是行業(yè)發(fā)展的一大痛點(diǎn)。對于數(shù)據(jù)標(biāo)注公司來說，質(zhì)量的提升也就意味著更多成本投入，這與客戶控制成本的理念相違背。另一方面，智能駕駛在不同場景的數(shù)據(jù)需求要求數(shù)據(jù)標(biāo)注公司提供持續(xù)穩(wěn)定的數(shù)據(jù)，這對于多數(shù)數(shù)據(jù)服務(wù)商來說也是高難度的挑戰(zhàn)。

采集標(biāo)注、分析處理、管理的難度和復(fù)雜度

在數(shù)據(jù)的整體生產(chǎn)環(huán)節(jié)中，數(shù)據(jù)采集、數(shù)據(jù)處理和數(shù)據(jù)管理等各個(gè)環(huán)節(jié)都涉及海量數(shù)據(jù)，若處理不當(dāng)，可能會(huì)導(dǎo)致項(xiàng)目質(zhì)量問題和項(xiàng)目啟動(dòng)延遲，但由于各個(gè)模塊的自動(dòng)化程度都不夠高，導(dǎo)致AI從業(yè)者將80%以上精力都花在數(shù)據(jù)管理上。另一方面，當(dāng)前解決各種Corner Case的方式主要是實(shí)車采集足夠多的相關(guān)數(shù)據(jù)，然后訓(xùn)練模型，讓模型具備應(yīng)對能力，這種方式效率較低，而且很多特殊場景出現(xiàn)頻率低，實(shí)車很難采集到。

數(shù)據(jù)標(biāo)注的效率

傳統(tǒng)的智能駕駛數(shù)據(jù)閉環(huán)，在數(shù)據(jù)預(yù)處理、數(shù)據(jù)標(biāo)注等環(huán)節(jié)效率較低。例如，多數(shù)公司在數(shù)據(jù)標(biāo)注環(huán)節(jié)都會(huì)依靠“人海戰(zhàn)術(shù)”，即依靠人工一個(gè)個(gè)地對采集回來的數(shù)據(jù)做場景分類，不僅效率較低，而且會(huì)有一定概率產(chǎn)生誤差，對結(jié)果影響較大。為了解決智能駕駛數(shù)據(jù)服務(wù)的痛點(diǎn)，早在2021年，云測數(shù)據(jù)就推出了新智能駕駛數(shù)據(jù)解決方案1.0，面向智能駕駛領(lǐng)域不同落地場景下的高質(zhì)量AI訓(xùn)練數(shù)據(jù)需求，通過場景數(shù)據(jù)庫、定制化數(shù)據(jù)采集標(biāo)注、數(shù)據(jù)標(biāo)注&數(shù)據(jù)管理平臺(tái)等服務(wù)，一站式解決智能駕駛從研發(fā)初期到落地的訓(xùn)練數(shù)據(jù)需求，從而大幅降低AI模型訓(xùn)練成本，加速智能駕駛相關(guān)應(yīng)用的落地迭代周期，節(jié)省研發(fā)時(shí)間和成本。

云測數(shù)據(jù)的智能駕駛解決方案

提供豐富的高質(zhì)量數(shù)據(jù)集

云測數(shù)據(jù)是Testin云測旗下AI數(shù)據(jù)標(biāo)注服務(wù)品牌，通過自建數(shù)據(jù)場景實(shí)驗(yàn)室和數(shù)據(jù)標(biāo)注基地，可為智能駕駛、智慧城市、智能家居、智慧金融、新零售等眾多領(lǐng)域提供高精度、場景化的數(shù)據(jù)采集、數(shù)據(jù)標(biāo)注服務(wù)，全方位支持文本、語音、圖像、視頻等各類型數(shù)據(jù)的處理。目前，云測數(shù)據(jù)深度合作伙伴覆蓋了汽車、手機(jī)、工業(yè)、家居、金融、安防、教育、新零售、地產(chǎn)、生態(tài)系統(tǒng)等行業(yè)。在智能駕駛領(lǐng)域，云測數(shù)據(jù)憑借高質(zhì)量的AI訓(xùn)練數(shù)據(jù)交付實(shí)力已與業(yè)內(nèi)包括自主、合資車企，大型Tier1、Tier2，以及無人出租車、智能駕駛等眾多廠商，建立了持久良好的合作關(guān)系。

圖2云測數(shù)據(jù)介紹

全新升級(jí)迭代的完整數(shù)據(jù)工具鏈

針對當(dāng)下智能駕駛應(yīng)用場景更加豐富，數(shù)據(jù)閉環(huán)已經(jīng)成為智能駕駛量產(chǎn)落地的核心飛輪的發(fā)展趨勢。云測數(shù)據(jù)以集成數(shù)據(jù)底座為核心，全面升級(jí)了數(shù)據(jù)標(biāo)注及數(shù)據(jù)管理工具鏈，在今年推出智能駕駛數(shù)據(jù)解決方案2.0。相較于1.0版本，2.0版本在數(shù)據(jù)閉環(huán)能力、自動(dòng)標(biāo)注能力、數(shù)據(jù)管理工具鏈、人工效能評估等方面進(jìn)行了全新升級(jí)：通過系統(tǒng)集成將大模型預(yù)標(biāo)注能力與人工標(biāo)注完美結(jié)合，提升了數(shù)據(jù)集和場景化數(shù)據(jù)服務(wù)能力,助力企業(yè)數(shù)據(jù)流轉(zhuǎn)效率的全面提升。

圖3 云測數(shù)據(jù)智能駕駛解決方案2.0

支持大模型的高效數(shù)據(jù)標(biāo)注平臺(tái)

云測數(shù)據(jù)升級(jí)人工標(biāo)注與自動(dòng)標(biāo)注算法交互能力，全面提升了數(shù)據(jù)標(biāo)注效率。通過將云測數(shù)據(jù)標(biāo)注平臺(tái)與眾多行業(yè)大模型緊密結(jié)合，幫助企業(yè)更好地提質(zhì)增效。2.0方案集成了不同模型的預(yù)標(biāo)注能力，包括圖像整幀、自選物體、區(qū)域、點(diǎn)云批次識(shí)別和文本識(shí)別等，重新定義了基于預(yù)標(biāo)注的人工標(biāo)注效能，如能效看板、綜合看版等。針對特定算法類型的數(shù)據(jù)持續(xù)優(yōu)化迭代，涵蓋點(diǎn)云4D疊幀、語義分割聯(lián)合標(biāo)注和智能ID軌跡預(yù)測。數(shù)據(jù)集也更加豐富，納入了更多場景數(shù)據(jù)，標(biāo)注方法也從原來以點(diǎn)線面體為主進(jìn)化到融合4D標(biāo)注規(guī)則。在云測數(shù)據(jù)標(biāo)注平臺(tái)的加持下，針對不同場景的Corner Case的識(shí)別和判斷能力和在算法持續(xù)迭代的數(shù)據(jù)閉環(huán)階段，數(shù)據(jù)預(yù)處理能力、數(shù)據(jù)挖掘能力、數(shù)據(jù)標(biāo)注能力等方面，都表現(xiàn)出了明顯提升。

圖4云測數(shù)據(jù)點(diǎn)云4D疊幀演示

支持BEV-Transformer標(biāo)注，順應(yīng)智能駕駛發(fā)展趨勢

面對當(dāng)下主流感知大模型的數(shù)據(jù)服務(wù)能力升級(jí)，云測數(shù)據(jù)解決方案支持了更多智能駕駛標(biāo)注類型，如現(xiàn)在諸多企業(yè)基于BEV+Transformer算法研發(fā)，對BEV視角環(huán)視拼接加點(diǎn)云融標(biāo)注成為了主流。支持特定類型也使云測數(shù)據(jù)能更快速響應(yīng)客戶數(shù)據(jù)標(biāo)注需求；同時(shí)可實(shí)現(xiàn)自動(dòng)標(biāo)注結(jié)果校驗(yàn)，并提升大模型標(biāo)注能力和評測服務(wù)能力，助力智駕企業(yè)實(shí)現(xiàn)更自然、更智能、更多樣化的人機(jī)交互方式。在數(shù)據(jù)標(biāo)注效率方面，與人工標(biāo)注相比，BEV空間標(biāo)注效率約提升1.5倍以上。例如，人工標(biāo)注3D點(diǎn)云拉框需要先選擇屬性，再選擇車頭朝向?，F(xiàn)在，人工只需大致框選一個(gè)區(qū)域，就完成了自動(dòng)貼合，基于一些特定標(biāo)簽類別就能實(shí)現(xiàn)自動(dòng)選擇。其效率比人工拉框至少快了1.5倍到兩倍。又如4D標(biāo)注地面箭頭，原來需要每幀標(biāo)注，現(xiàn)在基于4D標(biāo)注加空間坐標(biāo)，只要標(biāo)注對應(yīng)一幀，通過映射即可將30幀結(jié)果疊在一起，完成多傳感器融合4D標(biāo)注，效率更高。

審核編輯 黃宇