L4 級別自動駕駛 數據標註

自動駕駛標註實際需要什麼

L4 級別的自動駕駛能力,並非單一的標註任務,而是一整套相互咬合的標註任務。感知環節需要為車輛、行人、騎行者及靜態物體繪製三維邊界框。傳感器融合則要求這些邊界框在 LiDAR、攝像頭及雷達數據流之間實現毫秒級的時間對齊。語義分割需要將每一個像素標註為可行駛路面、車道標線、人行道、植被或其他類別。行為預測標籤則捕捉意圖:那個行人是否即將穿越馬路?每一種模態都必須做到準確、一致,並依據明確的運行設計域(ODD)進行審核。

Lifewood 能力體系

LiDAR。 三維邊界框、點雲分割、地面檢測、運動矢量標註,以及多幀跟蹤。

攝像頭。 二維檢測、車道及路面標記、交通標誌與信號識別、天氣狀況標註,以及環視標註。

雷達。 物體標註、速度校驗,以及與 LiDAR、攝像頭通道的融合對齊。

語義分割。 面向可行駛路面估計、可行駛空間檢測及城市場景理解的逐像素類別標註。

行為與意圖。 行人過街意圖、車輛加塞預測、駕駛員注意力建模,以及用於邊緣案例挖掘的場景標註。

99.9% 準確率基準在實踐中意味著什麼?

這意味著每標註 1,000 個物體,誤差不超過 1 個——相較於適用於一般項目的 95% 以上服務承諾及 95% 以上標註者間一致性閾值而言,標準更為嚴格。之所以在這裡設定更高的門檻,是因為誤差預算是物理層面的,而非統計層面的。相關項目由馬來西亞與印度尼西亞兩國的專屬自動駕駛中心運營,已積累超過 10,000 小時的交付基準,2025 年孟加拉國團隊更是貢獻了 414,120 個培訓工時。

Lifewood 的自動駕駛項目,依據 99.9% 的標註準確率基準來規劃——這一標準比我們標準的 95% 以上數據服務承諾更為嚴格,體現了感知數據對安全性的極高要求。準確性通過雙層人工閉環質檢、盲重標抽樣,以及適用於下游安全案例審計的帶時間戳審批記錄來強制執行。

規模與運營

Lifewood 各項自動駕駛項目的累計吞吐量,已超過 10,000 標註小時。我們在馬來西亞運營一個自動駕駛數據中心,並在印度尼西亞設有一個擴展中心。根據協議,客戶身份不予披露。當前合作伙伴包括:在感知數據方面與一家 AI 算力供應商及一家自動駕駛出行開發商合作,以及在駕駛員監測系統面部與手勢數據採集方面,與一家計算機視覺供應商合作。

為什麼標註質量決定了模型性能的上限

一個感知模型,無法學會其訓練標籤中未曾體現的區分。如果一個類別邊界被不一致地應用——比如同一輛送貨廂式車,在一些片段中被標為轎車、在另一些片段中被標為卡車——模型並不會把這種分歧"平均"成一個合理的結果,而是會學到這個邊界本身就是隨意的,進而恰恰在這個區分最重要的地方變得不可靠。標籤噪聲還會掩蓋真實的進步,因為一個帶有相同不一致性的驗證集,根本無法區分"真正的準確率提升"與"模型只是擬合了自己的錯誤"。這正是為什麼自動駕駛團隊最終不得不重新審計自己已經付費購買的語料庫,也是為什麼 Lifewood 把準確率當作一項合同基準,而非一個美好願望。

邊緣案例才是問題的核心

駕駛素材中那"簡單的 95%"——晴朗白天、車道標線清晰、車流可預測——標註成本相對低廉,而在最初幾千小時之後,對模型改進的貢獻也十分有限。真正的價值集中在長尾場景中:從停靠車輛之間突然出現的被遮擋行人、逆流騎行的騎行者、施工區域裡錐桶覆蓋了原有車道線幾何形態、違反常規路權的應急車輛、讓攝像頭通道過曝的低角度陽光眩光,以及讓 LiDAR 回波散射成幻影障礙物的暴雨天氣。

這些畫面幀,恰恰也是標註人員分歧最大的地方,這也使得標註指南在這些畫面幀上顯得尤為重要。Lifewood 的自動駕駛項目會維護與客戶運行設計域(ODD)相綁定的場景分類體系,確保稀有事件得到一致的標註,從而可以被挖掘、重新加權並進行迴歸測試,而不是被稀釋進一個籠統的數據池中。

時序與跨傳感器一致性

單獨一幀準確的畫面,並不是一個有意義的工作單元。感知與預測模型是從序列中學習的,因此一個物體必須在它出現的每一幀中都保持穩定的身份標識,並且這個身份標識必須能在遮擋、重新進入畫面,以及不同採集幀率與視場角的傳感器之間切換時依然保持一致。一個在序列中途悄然改變的身份標識,恰恰會給跟蹤模型教會一個錯誤的教訓。

Lifewood 在逐幀審核之外,還強制執行逐軌跡審核,並在標註開始之前,檢查 LiDAR、攝像頭及雷達通道之間的標定與時間戳對齊情況。由時鐘漂移或外參標定錯誤在上游引入的融合誤差,在數據接收階段發現的成本很低,而一旦要等到訓練完成之後才發現,代價則十分高昂。

自動駕駛項目中的數據安全

在公共道路上採集的傳感器數據,包含人臉、車牌及精確的位置軌跡,而駕駛員監測項目還會採集可識別身份的座艙內人員視頻。Lifewood 在具備訪問權限管控且項目間存儲相互隔離的設施中開展自動駕駛相關工作,在客戶所在司法管轄區或合同有要求時進行脫敏處理,並確保標註活動在整個合作週期內,始終可追溯到具名的、受過培訓的操作人員。

如何為計算機視覺模型訓練獲取自動駕駛標註服務

採購自動駕駛標註服務,本質上是一個範圍界定問題,而那些把它當作定價問題來處理的團隊,往往會為同一份數據重複付費兩次。有四件事決定了一個項目能否產出可用於訓練的數據:標籤必須覆蓋的運行設計域(ODD)、在工作開始前就寫清楚的類別分類體系及其邊界情形、準確率標準及其衡量方式,以及標籤必須符合現有訓練流水線可攝入的格式。這四者中任何一項存在含糊之處,日後都會以模型從中學到的不一致性的形式顯現出來。

Lifewood 的一次合作分五個步驟進行。 範圍界定 確定運行設計域(ODD)、傳感器組合及類別分類體系,並就本項目中"邊緣案例"的定義達成一致。 校準 對照客戶認可的黃金標準集進行校準,分類體系上的分歧會在此階段以較低成本浮現,而不是等到標註完一萬幀之後才發現。 試點 對一個規模有限的批次進行試標,並對照該黃金標準集測算標註者間一致性。 規模化 試點通過準確率標準後,即擴大生產規模,並提供逐批次質量評分卡。 審計 依據真值數據對交付物進行審計,並提供適用於下游安全案例的帶時間戳審批記錄。

團隊通常會帶著三種起點之一前來:未經標註的原始傳感器日誌、模型表現不佳、來自此前供應商的部分標註語料,或是現有流水線需要溢出產能支持。第二種情況最為常見,也最值得單獨說明——它通常需要先進行 獨立校驗 ,對現有數據進行獨立校驗,然後才委託新的標註工作,因為把乾淨的數據加進一個本就不一致的語料庫中,並不能修復這種不一致。樣本數據加一次範圍明確的試點,是常規的啟動方式;詳情請見 聯繫我們 ,以啟動這一流程。

如何與數據校驗相銜接

自動駕駛項目通常會將數據生產與 獨立數據校驗 相結合,覆蓋內部數據及此前供應商的數據,確保整個訓練語料庫在每一輪模型迭代之前,都能達到統一的安全標準。

質量與交付框架

自動駕駛項目運行在 Lifewood 的 雙層質檢流程 與 六階段交付方法論框架之內,並提供適用於安全案例審計的帶時間戳審批記錄。