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

智能駕駛進入數(shù)據(jù)驅(qū)動時代，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)，訓練更復雜的算法模型。

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，自動輔助導航駕駛）的量產(chǎn)落地計劃。據(jù)預測，2025年中國城市NOA前裝市場規(guī)模將達到76億元。實現(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)模預測（億元）

智能駕駛所需的場景數(shù)據(jù)應該盡可能多地涵蓋Corner Case，算法模型的升級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被“高成本”和“低效率”拖累，另一方面還會因為對Corner Case的解決能力無法取得突破，而難以令終端消費者滿意。對智能駕駛來說，更高質(zhì)量的訓練數(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)服務工具對實現(xiàn)智能駕駛數(shù)據(jù)閉環(huán)的高效運轉(zhuǎn)至關(guān)重要。依據(jù)全國信息安全標準化技術(shù)委員會發(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)指通過汽車傳感設備、控制單元采集的數(shù)據(jù)，以及對其進行加工后產(chǎn)生的數(shù)據(jù)。汽車采集數(shù)據(jù)經(jīng)過標注、處理、存儲、管理等處理，形成有效數(shù)據(jù)集，進一步存儲在云端服務器中，之后傳輸至算法模型，經(jīng)過訓練部署到車端進行應用驗證，形成一套由數(shù)據(jù)驅(qū)動算法迭代，進而驅(qū)動智能駕駛能力升級的閉環(huán)模型。

智能駕駛數(shù)據(jù)服務的痛點與難點

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。對于數(shù)據(jù)標注公司來說，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)服務商來說也是高難度的挑戰(zhàn)。

采集標注、分析處理、管理的難度和復雜度

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)管理等各個環(huán)節(jié)都涉及海量數(shù)據(jù)，若處理不當，可能會導致項目質(zhì)量問題和項目啟動延遲，但由于各個模塊的自動化程度都不夠高，導致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，當前解決各種Corner Case的方式主要是實車采集足夠多的相關(guān)數(shù)據(jù)，然后訓練模型，讓模型具備應對能力，這種方式效率較低，而且很多特殊場景出現(xiàn)頻率低，實車很難采集到。

數(shù)據(jù)標注的效率

傳統(tǒng)的智能駕駛數(shù)據(jù)閉環(huán)，在數(shù)據(jù)預處理、數(shù)據(jù)標注等環(huán)節(jié)效率較低。例如，多數(shù)公司在數(shù)據(jù)標注環(huán)節(jié)都會依靠“人海戰(zhàn)術(shù)”，即依靠人工一個個地對采集回來的數(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)服務的痛點，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)采集標注、數(shù)據(jù)標注&數(shù)據(jù)管理平臺等服務，一站式解決智能駕駛從研發(fā)初期到落地的訓練數(shù)據(jù)需求，從而大幅降低AI模型訓練成本，加速智能駕駛相關(guān)應用的落地迭代周期，節(jié)省研發(fā)時間和成本。

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)標注服務品牌，通過自建數(shù)據(jù)場景實驗室和數(shù)據(jù)標注基地，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)標注服務，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、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訓練數(shù)據(jù)交付實力已與業(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

全新升級迭代的完整數(shù)據(jù)工具鏈

針對當下智能駕駛應用場景更加豐富，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，全面升級了數(shù)據(jù)標注及數(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、自動標注能力、數(shù)據(jù)管理工具鏈、人工效能評估等方面進行了全新升級：通過系統(tǒng)集成將大模型預標注能力與人工標注完美結(jié)合，提升了數(shù)據(jù)集和場景化數(shù)據(jù)服務能力,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)標注平臺

云測數(shù)據(jù)升級人工標注與自動標注算法交互能力，全面提升了數(shù)據(jù)標注效率。通過將云測數(shù)據(jù)標注平臺與眾多行業(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標注能力，包括圖像整幀、自選物體、區(qū)域、點云批次識別和文本識別等，重新定義了基于預標注的人工標注效能，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，涵蓋點云4D疊幀、語義分割聯(lián)合標注和智能ID軌跡預測。數(shù)據(jù)集也更加豐富，納入了更多場景數(shù)據(jù)，標注方法也從原來以點線面體為主進化到融合4D標注規(guī)則。在云測數(shù)據(jù)標注平臺的加持下，針對不同場景的Corner Case的識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)預處理能力、數(shù)據(jù)挖掘能力、數(shù)據(jù)標注能力等方面，都表現(xiàn)出了明顯提升。

圖4云測數(shù)據(jù)點云4D疊幀演示

支持BEV-Transformer標注，順應智能駕駛發(fā)展趨勢

面對當下主流感知大模型的數(shù)據(jù)服務能力升級，云測數(shù)據(jù)解決方案支持了更多智能駕駛標注類型，如現(xiàn)在諸多企業(yè)基于BEV+Transformer算法研發(fā)，對BEV視角環(huán)視拼接加點云融標注成為了主流。支持特定類型也使云測數(shù)據(jù)能更快速響應客戶數(shù)據(jù)標注需求；同時可實現(xiàn)自動標注結(jié)果校驗，并提升大模型標注能力和評測服務能力，助力智駕企業(yè)實現(xiàn)更自然、更智能、更多樣化的人機交互方式。在數(shù)據(jù)標注效率方面，與人工標注相比，BEV空間標注效率約提升1.5倍以上。例如，人工標注3D點云拉框需要先選擇屬性，再選擇車頭朝向。現(xiàn)在，人工只需大致框選一個區(qū)域，就完成了自動貼合，基于一些特定標簽類別就能實現(xiàn)自動選擇。其效率比人工拉框至少快了1.5倍到兩倍。又如4D標注地面箭頭，原來需要每幀標注，現(xiàn)在基于4D標注加空間坐標，只要標注對應一幀，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標注，效率更高。

審核編輯 黃宇