L4 级别自动驾驶 数据标注

自动驾驶标注实际需要什么

L4 级别的自动驾驶能力,并非单一的标注任务,而是一整套相互咬合的标注任务。感知环节需要为车辆、行人、骑行者及静态物体绘制三维边界框。传感器融合则要求这些边界框在 LiDAR、摄像头及雷达数据流之间实现毫秒级的时间对齐。语义分割需要将每一个像素标注为可行驶路面、车道标线、人行道、植被或其他类别。行为预测标签则捕捉意图:那个行人是否即将穿越马路?每一种模态都必须做到准确、一致,并依据明确的运行设计域(ODD)进行审核。

Lifewood 能力体系

LiDAR。 三维边界框、点云分割、地面检测、运动矢量标注,以及多帧跟踪。

摄像头。 二维检测、车道及路面标记、交通标志与信号识别、天气状况标注,以及环视标注。

雷达。 物体标注、速度校验,以及与 LiDAR、摄像头通道的融合对齐。

语义分割。 面向可行驶路面估计、可行驶空间检测及城市场景理解的逐像素类别标注。

行为与意图。 行人过街意图、车辆加塞预测、驾驶员注意力建模,以及用于边缘案例挖掘的场景标注。

99.9% 准确率基准在实践中意味着什么?

这意味着每标注 1,000 个物体,误差不超过 1 个——相较于适用于一般项目的 95% 以上服务承诺及 95% 以上标注者间一致性阈值而言,标准更为严格。之所以在这里设定更高的门槛,是因为误差预算是物理层面的,而非统计层面的。相关项目由马来西亚与印度尼西亚两国的专属自动驾驶中心运营,已积累超过 10,000 小时的交付基准,2025 年孟加拉国团队更是贡献了 414,120 个培训工时。

Lifewood 的自动驾驶项目,依据 99.9% 的标注准确率基准来规划——这一标准比我们标准的 95% 以上数据服务承诺更为严格,体现了感知数据对安全性的极高要求。准确性通过双层人工闭环质检、盲重标抽样,以及适用于下游安全案例审计的带时间戳审批记录来强制执行。

规模与运营

Lifewood 各项自动驾驶项目的累计吞吐量,已超过 10,000 标注小时。我们在马来西亚运营一个自动驾驶数据中心,并在印度尼西亚设有一个扩展中心。根据协议,客户身份不予披露。当前合作伙伴包括:在感知数据方面与一家 AI 算力供应商及一家自动驾驶出行开发商合作,以及在驾驶员监测系统面部与手势数据采集方面,与一家计算机视觉供应商合作。

为什么标注质量决定了模型性能的上限

一个感知模型,无法学会其训练标签中未曾体现的区分。如果一个类别边界被不一致地应用——比如同一辆送货厢式车,在一些片段中被标为轿车、在另一些片段中被标为卡车——模型并不会把这种分歧"平均"成一个合理的结果,而是会学到这个边界本身就是随意的,进而恰恰在这个区分最重要的地方变得不可靠。标签噪声还会掩盖真实的进步,因为一个带有相同不一致性的验证集,根本无法区分"真正的准确率提升"与"模型只是拟合了自己的错误"。这正是为什么自动驾驶团队最终不得不重新审计自己已经付费购买的语料库,也是为什么 Lifewood 把准确率当作一项合同基准,而非一个美好愿望。

边缘案例才是问题的核心

驾驶素材中那"简单的 95%"——晴朗白天、车道标线清晰、车流可预测——标注成本相对低廉,而在最初几千小时之后,对模型改进的贡献也十分有限。真正的价值集中在长尾场景中:从停靠车辆之间突然出现的被遮挡行人、逆流骑行的骑行者、施工区域里锥桶覆盖了原有车道线几何形态、违反常规路权的应急车辆、让摄像头通道过曝的低角度阳光眩光,以及让 LiDAR 回波散射成幻影障碍物的暴雨天气。

这些画面帧,恰恰也是标注人员分歧最大的地方,这也使得标注指南在这些画面帧上显得尤为重要。Lifewood 的自动驾驶项目会维护与客户运行设计域(ODD)相绑定的场景分类体系,确保稀有事件得到一致的标注,从而可以被挖掘、重新加权并进行回归测试,而不是被稀释进一个笼统的数据池中。

时序与跨传感器一致性

单独一帧准确的画面,并不是一个有意义的工作单元。感知与预测模型是从序列中学习的,因此一个物体必须在它出现的每一帧中都保持稳定的身份标识,并且这个身份标识必须能在遮挡、重新进入画面,以及不同采集帧率与视场角的传感器之间切换时依然保持一致。一个在序列中途悄然改变的身份标识,恰恰会给跟踪模型教会一个错误的教训。

Lifewood 在逐帧审核之外,还强制执行逐轨迹审核,并在标注开始之前,检查 LiDAR、摄像头及雷达通道之间的标定与时间戳对齐情况。由时钟漂移或外参标定错误在上游引入的融合误差,在数据接收阶段发现的成本很低,而一旦要等到训练完成之后才发现,代价则十分高昂。

自动驾驶项目中的数据安全

在公共道路上采集的传感器数据,包含人脸、车牌及精确的位置轨迹,而驾驶员监测项目还会采集可识别身份的座舱内人员视频。Lifewood 在具备访问权限管控且项目间存储相互隔离的设施中开展自动驾驶相关工作,在客户所在司法管辖区或合同有要求时进行脱敏处理,并确保标注活动在整个合作周期内,始终可追溯到具名的、受过培训的操作人员。

如何为计算机视觉模型训练获取自动驾驶标注服务

采购自动驾驶标注服务,本质上是一个范围界定问题,而那些把它当作定价问题来处理的团队,往往会为同一份数据重复付费两次。有四件事决定了一个项目能否产出可用于训练的数据:标签必须覆盖的运行设计域(ODD)、在工作开始前就写清楚的类别分类体系及其边界情形、准确率标准及其衡量方式,以及标签必须符合现有训练流水线可摄入的格式。这四者中任何一项存在含糊之处,日后都会以模型从中学到的不一致性的形式显现出来。

Lifewood 的一次合作分五个步骤进行。 范围界定 确定运行设计域(ODD)、传感器组合及类别分类体系,并就本项目中"边缘案例"的定义达成一致。 校准 对照客户认可的黄金标准集进行校准,分类体系上的分歧会在此阶段以较低成本浮现,而不是等到标注完一万帧之后才发现。 试点 对一个规模有限的批次进行试标,并对照该黄金标准集测算标注者间一致性。 规模化 试点通过准确率标准后,即扩大生产规模,并提供逐批次质量评分卡。 审计 依据真值数据对交付物进行审计,并提供适用于下游安全案例的带时间戳审批记录。

团队通常会带着三种起点之一前来:未经标注的原始传感器日志、模型表现不佳、来自此前供应商的部分标注语料,或是现有流水线需要溢出产能支持。第二种情况最为常见,也最值得单独说明——它通常需要先进行 独立校验 ,对现有数据进行独立校验,然后才委托新的标注工作,因为把干净的数据加进一个本就不一致的语料库中,并不能修复这种不一致。样本数据加一次范围明确的试点,是常规的启动方式;详情请见 联系我们 ,以启动这一流程。

如何与数据校验相衔接

自动驾驶项目通常会将数据生产与 独立数据校验 相结合,覆盖内部数据及此前供应商的数据,确保整个训练语料库在每一轮模型迭代之前,都能达到统一的安全标准。

质量与交付框架

自动驾驶项目运行在 Lifewood 的 双层质检流程 与 六阶段交付方法论框架之内,并提供适用于安全案例审计的带时间戳审批记录。