13412598543
技術(shù)文章
在ADAS（高級(jí)輔助駕駛）開發(fā)領(lǐng)域，高質(zhì)量的標(biāo)注數(shù)據(jù)是算法迭代的核心基礎(chǔ)。然而，傳統(tǒng)依賴人工標(biāo)注的模式通常成本高昂、周期漫長，每年投入可達(dá)數(shù)百萬美元，處理時(shí)間往往需要數(shù)月，嚴(yán)重制約了研發(fā)效率與項(xiàng)目推進(jìn)速度。
這正是康謀為您帶來的 aiData Auto Annotator 解決方案的核心價(jià)值：由 aiMotive 打造的強(qiáng)大自動(dòng)化工具，旨在大幅降低標(biāo)注成本并縮短處理時(shí)間。當(dāng)路測(cè)數(shù)據(jù)采集完成后，該工具即可確保標(biāo)注數(shù)據(jù)集的快速、可靠交付，讓研究人員和工程師能夠零延時(shí)地持續(xù)優(yōu)化 ADAS 算法棧。
過去幾年中，Auto Annotator 已累計(jì)為客戶節(jié)省數(shù)千萬美元的標(biāo)注開支。aiMotive 自身的ADAS算法棧已使用自動(dòng)標(biāo)注數(shù)據(jù)進(jìn)行訓(xùn)練，在控制開發(fā)預(yù)算的同時(shí)，保持了軟件棧的性能競爭力。該工具的自動(dòng)標(biāo)注算法已在多項(xiàng)精度指標(biāo)上穩(wěn)定超過人工標(biāo)注基準(zhǔn)。
本文將從以下幾個(gè)方面闡述aiData自動(dòng)標(biāo)注技術(shù)帶來的關(guān)鍵優(yōu)勢(shì)，此外文末增設(shè)“技術(shù)原理深度解析"章節(jié)，為大家詳解工具鏈底層邏輯。
aiData Auto Annotator 超越了傳統(tǒng)解決方案，它能夠?yàn)?strong>動(dòng)態(tài)交通參與者（如車輛、行人、騎行者、交通標(biāo)志和紅綠燈）生成高精度的 3D 標(biāo)注框，并自動(dòng)標(biāo)注車道線和路面標(biāo)識(shí)等靜態(tài)元素。
當(dāng)前市場(chǎng)上多數(shù)自動(dòng)標(biāo)注工具僅支持2D輸出，局限了數(shù)據(jù)在3D空間感知任務(wù)中的應(yīng)用價(jià)值。2D標(biāo)注雖可滿足2D目標(biāo)檢測(cè)器的訓(xùn)練需求，但在車輛距離、精確尺寸等空間屬性估計(jì)方面存在明顯短板。
相比之下，3D標(biāo)注則能夠更全面、精準(zhǔn)地還原駕駛環(huán)境，完整捕捉目標(biāo)對(duì)象的尺寸、朝向與位置信息，其提供的深度信息是實(shí)現(xiàn)精準(zhǔn)定位與可靠決策的關(guān)鍵前提。尤為重要的是，3D標(biāo)注具備遮擋處理能力，可有效檢測(cè)并解析部分遮擋物體，這一特性是2D標(biāo)注難以實(shí)現(xiàn)的，也是構(gòu)建適應(yīng)復(fù)雜真實(shí)路況的穩(wěn)健感知系統(tǒng)的核心基礎(chǔ)。
長期以來，人工標(biāo)注被視為數(shù)據(jù)標(biāo)注的基準(zhǔn)標(biāo)準(zhǔn)，但人工標(biāo)注存在固有局限：多數(shù)供應(yīng)商僅能保證約95%的標(biāo)注準(zhǔn)確率，若需提升精度，需投入大量資源開展多輪質(zhì)量核查，導(dǎo)致成本激增，難以適用于大規(guī)模數(shù)據(jù)集。
隨著 aiData Auto Annotator 的出現(xiàn)，意味著我們可以全自動(dòng)獲取到高精度的數(shù)據(jù)集。
該方案在全運(yùn)行設(shè)計(jì)域（ODD）內(nèi)，標(biāo)注精度與召回率均達(dá)到并超越人工標(biāo)注水平，推動(dòng)數(shù)據(jù)處理流水線實(shí)現(xiàn)關(guān)鍵性轉(zhuǎn)變。目前aiMotive內(nèi)部AD算法棧的訓(xùn)練與驗(yàn)證數(shù)據(jù)集，已基本依托該自動(dòng)標(biāo)注算法生成，可在不妥協(xié)精度的前提下，實(shí)現(xiàn)數(shù)據(jù)的快速交付、規(guī)模化擴(kuò)展與質(zhì)量穩(wěn)定性保障。 (注：前提是考慮了遮擋處理、僅關(guān)注相關(guān) ROI 區(qū)域且假設(shè)非對(duì)抗性天氣條件下)
aiData Auto Annotator具備好的場(chǎng)景適配性，已在日本道路測(cè)試、卡車運(yùn)輸專項(xiàng)適配等不同地域、不同類型的應(yīng)用場(chǎng)景中得到驗(yàn)證，展現(xiàn)出穩(wěn)定的可靠性與靈活的擴(kuò)展性。
這一特性源于其核心技術(shù)架構(gòu)：依托強(qiáng)大的基礎(chǔ)模型，結(jié)合少樣本學(xué)習(xí)（FSL）與相似性搜索技術(shù)，可通過極少量新增數(shù)據(jù)完成現(xiàn)有類別的微調(diào)與新圖像類別的發(fā)現(xiàn)。在多數(shù)場(chǎng)景下，僅需少量圖像數(shù)據(jù)即可完成流水線的跨領(lǐng)域適配。
這意味著 Auto Annotator 可以快速、輕松地適配您獨(dú)特的用例，而無需進(jìn)行大量的重新訓(xùn)練或人工干預(yù)。
在ADAS/自動(dòng)駕駛（AD）解決方案的開發(fā)周期中，人工標(biāo)注是成本高、耗時(shí)最長的環(huán)節(jié)之一。企業(yè)每年需投入數(shù)百萬美元外包標(biāo)注任務(wù)，卻仍面臨成本超支與交付延遲的問題。
aiData Auto Annotator通過自動(dòng)化技術(shù)實(shí)現(xiàn)了標(biāo)注成本的大幅降低：處理30小時(shí)標(biāo)注錄制數(shù)據(jù)即可實(shí)現(xiàn)投資回報(bào)（ROI）；即便計(jì)入傳感器、GPU等硬件采購的額外成本，在處理500小時(shí)標(biāo)注數(shù)據(jù)后，成本節(jié)省率可達(dá)到90%以上，年度節(jié)省預(yù)算可達(dá)八位數(shù)美元。對(duì)于典型路測(cè)數(shù)據(jù)采集所需的數(shù)萬小時(shí)數(shù)據(jù)處理而言，該方案將為整個(gè)開發(fā)流程帶來顯著的成本優(yōu)化。
因此讓我們一起思考一個(gè)問題：當(dāng)我們可以投資于真正重要的事情——增強(qiáng)模型、賦能團(tuán)隊(duì)和加速創(chuàng)新時(shí)，為何還要將預(yù)算浪費(fèi)在低效的人力標(biāo)注上？
在 ADAS/AD 開發(fā)中，時(shí)間就是一切。手動(dòng)標(biāo)注復(fù)雜場(chǎng)景可能需要數(shù)周甚至數(shù)月，從而推遲關(guān)鍵決策并減緩創(chuàng)新速度。
aiData Auto Annotator通過水平可擴(kuò)展流水線架構(gòu)，實(shí)現(xiàn)了數(shù)據(jù)標(biāo)注的高效處理——支持在集群節(jié)點(diǎn)上并行處理數(shù)據(jù)序列，具備近乎實(shí)時(shí)的標(biāo)注性能，可在數(shù)據(jù)采集完成后短時(shí)間內(nèi)交付可用數(shù)據(jù)，讓研發(fā)團(tuán)隊(duì)能夠立即開展模型訓(xùn)練、測(cè)試與迭代工作。
因此讓我們?cè)僖黄鹚伎家幌逻@個(gè)問題：當(dāng)我們可以在錄制結(jié)束后幾小時(shí)內(nèi)就開始使用數(shù)據(jù)時(shí)，為什么要等待數(shù)周？ (性能參考：運(yùn)行于單臺(tái)配備 8 GPU 的服務(wù)器上)
閱讀上面內(nèi)容之后，大家可能會(huì)有疑問，aiData Auto Annotator是如何做到的呢？本節(jié)將從技術(shù)架構(gòu)、核心流程、關(guān)鍵工程突破三個(gè)維度，為算法工程師詳解aiData Auto Annotator的運(yùn)作機(jī)制。
aiData Auto Annotator整合攝像頭、激光雷達(dá)（LiDAR）、導(dǎo)航衛(wèi)星系統(tǒng)/慣性導(dǎo)航系統(tǒng)（GNSS/INS）及可選毫米波雷達(dá)數(shù)據(jù)，在統(tǒng)一的4D（空間+時(shí)間）環(huán)境模型中完成多傳感器數(shù)據(jù)的同步標(biāo)注。
與人工標(biāo)注類似，傳感器的精確標(biāo)定與同步是保障標(biāo)注質(zhì)量的基礎(chǔ)前提（相關(guān)細(xì)節(jié)可參考往期技術(shù)博客）。在自動(dòng)化標(biāo)注流程中，自車運(yùn)動(dòng)（Egomotion）精度——即車輛自身空間移動(dòng)軌跡的估計(jì)精度，是易被忽視卻至關(guān)重要的因素。由于該方案依賴聚合點(diǎn)云（Aggregated Point Cloud）進(jìn)行標(biāo)注，即便微小的自車運(yùn)動(dòng)估計(jì)誤差，也會(huì)導(dǎo)致3D包圍盒的尺寸與位置畸變，進(jìn)而產(chǎn)生標(biāo)注誤差。
aiData Auto Annotator采用神經(jīng)計(jì)算與傳統(tǒng)幾何、追蹤方法相結(jié)合的混合解決方案，確保標(biāo)注結(jié)果的精確性與一致性，核心流程分為三步：
首先，一個(gè)多模態(tài)神經(jīng)網(wǎng)絡(luò)配合非因果追蹤器（Non-causal Tracker）處理傳感器數(shù)據(jù)，生成初始的 3D 包圍盒。
接著，系統(tǒng)生成一個(gè)由傳感器數(shù)據(jù)和自車運(yùn)動(dòng)構(gòu)建的聚合點(diǎn)云，這構(gòu)成了標(biāo)注流水線的空間基礎(chǔ)。
最后，Auto Annotator 通過結(jié)合多模態(tài) 3D 目標(biāo)檢測(cè)網(wǎng)絡(luò)、圖像與點(diǎn)云分割網(wǎng)絡(luò)以及一套計(jì)算幾何和追蹤算法的輸出，基于聚合點(diǎn)云構(gòu)建一個(gè)時(shí)間上連貫（Temporally Coherent）的世界模型。
這些組件共同構(gòu)成了 Auto Annotator 流水線的骨架，最終輸出可直接用于模型訓(xùn)練或驗(yàn)證的高質(zhì)量標(biāo)注數(shù)據(jù)。
我們研發(fā)團(tuán)隊(duì)在方案迭代過程中，針對(duì)真實(shí)駕駛場(chǎng)景的復(fù)雜工況，攻克了多項(xiàng)核心技術(shù)難題，典型案例如下：
高速場(chǎng)景下的畸變補(bǔ)償： 針對(duì)車輛130km/h高速行駛工況，解決旋轉(zhuǎn)式LiDAR分片掃描與卷簾快門攝像頭逐行曝光帶來的數(shù)據(jù)畸變問題。團(tuán)隊(duì)通過自車運(yùn)動(dòng)補(bǔ)償技術(shù)，結(jié)合精確的相機(jī)曝光時(shí)間校準(zhǔn)，有效消除高速行駛下（含對(duì)向來車相對(duì)速度達(dá)260km/h場(chǎng)景）的傳感器數(shù)據(jù)碎片與圖像變形；
鬼影反射過濾： 針對(duì)車輛窗戶、店面玻璃、水坑等反射面在點(diǎn)云中形成的虛假目標(biāo)（鬼影），我們團(tuán)隊(duì)通過專項(xiàng)算法設(shè)計(jì)消除此類偽影，確保傳感器局限性導(dǎo)致的虛假檢測(cè)不進(jìn)入最終標(biāo)注結(jié)果。
aiData Auto Annotator作為多年技術(shù)打磨的復(fù)雜系統(tǒng)，其核心優(yōu)勢(shì)在于將底層技術(shù)復(fù)雜性封裝，為客戶提供無縫銜接的標(biāo)準(zhǔn)化服務(wù)，無需客戶關(guān)注技術(shù)細(xì)節(jié)即可實(shí)現(xiàn)高效應(yīng)用。
簡單來講，aiData Auto Annotator通過技術(shù)創(chuàng)新實(shí)現(xiàn)了ADAS標(biāo)注數(shù)據(jù)生產(chǎn)的全鏈路優(yōu)化，核心價(jià)值可總結(jié)為以下三點(diǎn)：
（1）成本與效率優(yōu)化：： 相比人工標(biāo)注，成本降低 90% 以上，僅需 30 小時(shí)數(shù)據(jù)即可收回成本。
（2）數(shù)據(jù)質(zhì)量保障： 提供帶遮擋處理的 3D 包圍盒，精度和召回率在 ODD 內(nèi)全面超越人工（Superhuman Accuracy）。
（3）技術(shù)閉環(huán)優(yōu)勢(shì)： 解決高速運(yùn)動(dòng)畸變與傳感器鬼影問題，支持從數(shù)據(jù)采集到模型訓(xùn)練的無縫銜接。
本文篇幅有限，若您想深入了解，歡迎聯(lián)系交流更多細(xì)節(jié)！
關(guān)注微信