一家自动驾驶技术公司
五个月内交付 10 万张鱼眼图像及约 800 万条标注,支持自动泊车
发布日期 8 September 2026
概览
| 所属行业 | 自动驾驶 | 自动泊车及低速操控算法 |
|---|---|---|
| 客户 | 自动驾驶技术公司 | 根据本次合作的保密条款不予披露 |
| 项目规模 | 10 万张图像 | 覆盖各类泊车环境的鱼眼摄像头采集画面 |
| 标注量 | 约 800 万条标注 | 平均每张图像约 80 条标注,由已交付总量推算得出 |
| 物体类别 | 60 多个 | 行人、车辆、交通标志、信号灯、车道标线 |
| 工期 | 5 个月 | 从项目启动到完成交付 |
| 吞吐量 | 约 20,000 张图像 / 月 | 推算所得:10 万张图像 ÷ 5 个月 |
| 团队组建速度 | 40 名标注人员,3 周完成 | 完成招募、培训并投入生产 |
| 场景划分 | 室内与室外 | 专业化团队分开配置,而非合并为一个团队 |
| 方法 | 预识别加人工核验 | 自主平台完成预标注;每一条标注均经人工核验 |
| 状态 | 已交付 | 约定范围已全部验收 |
这是一份 Lifewood Data Technology 关于自动驾驶的案例研究——一个为一家自动驾驶技术公司、覆盖未披露交付的项目。 五个月内交付 10 万张鱼眼图像及约 800 万条标注,支持自动泊车
鱼眼畸变,破坏了普通标注所依赖的几何基础
一家自动驾驶技术公司,需要为其自动泊车算法准备一份训练数据集,覆盖车辆将会遇到的全部泊车环境中的 60 多个物体类别。泊车场景,恰恰是感知任务中最困难、而非最简单的一环。间隙净空以厘米为单位测量,行人常常在近距离、且被遮挡物遮挡的情况下出现,多层建筑结构会屏蔽卫星定位信号,光照条件也会在同一次操作过程中,从阳光直射瞬间切换到钠灯照明的地下室。鱼眼光学镜头,正是让这项标注工作与众不同的根本原因。鱼眼镜头以画面产生径向畸变为代价,换来了近距离操控所需要的广阔视野:直线会发生弯曲,图像空间中画出的一个矩形,并不对应现实世界中的一个矩形。一位只在前视道路画面上训练出来的标注人员,画出的边界框看起来是对的,实际在几何上却是错的,而且这种误差会随着靠近画面边缘而不断放大——而画面边缘,恰恰正是泊车场景中真正重要的障碍物出现的地方。类别粒度进一步加剧了这一难题。六十多个类别,涵盖行人、车辆、交通标志、信号灯及车道标线,意味着这份规格文档长到足以让"标注人员之间的一致性"、而非"个人技能水平",成为真正制约项目的因素。
预识别加强制人工核验,室内与室外团队分开配置
Lifewood 在一套自主研发的标注平台上运行这个项目,将自动化预识别与人工核验相结合,并按场景而非笼统地划分工作团队。整套方法分为四个步骤。一、预识别作为第一道工序,而绝非最终产出。平台会对每一帧进行预标注,标注人员的工作是核验并纠正,而非从零开始绘制。这正是能够以可行的单位成本完成 800 万条标注的关键,而每一条标注仍需经过人工审核的原因在于:预识别的表现,恰恰在鱼眼畸变最严重的地方衰减得最明显。二、室内与室外团队分开配置。地下室及多层停车场,与露天停车场,在光照、障碍物特征及畸变表现上截然不同。专业化团队能够更好地把握一份较窄的规格,而不是笼统地应付一份宽泛的规格。三、一支 40 人的团队,在三周内完成招募与培训。团队组建被当作交付工作的一部分来对待,而非一项前置条件——这正是让五个月的总工期得以实现的关键。四、依据 60 多个类别的规格进行人工核验。核验既覆盖几何准确性,也覆盖类别归属,因为一个几何位置画得正确、但类别归错的边界框,依然是一次标注错误。这个项目的成本降低,来自预识别这一步骤,而非削减审核覆盖范围——这一区别很重要,因为削减审核,是供应商压低报价的常见手段,而这恰恰是日后会在模型表现中显现出来的那种手段。
五个月内交付全部范围,平均每张图像约 80 条标注
这个项目交付了 10 万张已标注的鱼眼图像,携带约 800 万条标注,覆盖 60 多个物体类别,历时五个月完成。这意味着平均每张图像约 80 条标注,整个项目期间维持了约每月 2 万张图像的持续产能——两项数据均来自已交付总量推算,而非分别单独测算的结果。团队组建速度,是与数据量并列、同样值得关注的数字。40 名训练有素的标注人员在三周内投入生产,正是让如此高密度的数据集能够在五个月内完成的关键;如果一个项目团队组建需要两个月,同样的工作范围就需要七个月才能完成。
Lifewood 相关服务
经核实的成果
| 指标 | 数值 | 基线 | 衡量方式 |
|---|---|---|---|
| 已交付图像 | 10 万张 | 约定范围已全部完成 | 已验收交付 |
| 已交付标注 | 约 800 万条 | 平均每张约 80 条,由已交付总量推算 | 平台标注计数 |
| 物体类别 | 60 多个 | 行人、车辆、标志、信号灯、车道标线 | 客户标注规格 |
| 工期 | 5 个月 | 从项目启动到完成交付 | 交付记录 |
| 持续吞吐量 | 约 20,000 张图像 / 月 | 推算所得:10 万 ÷ 5 个月 | 由已交付总量推算 |
| 团队组建速度 | 40 名标注人员,3 周完成 | 团队组建在交付周期之内完成,而非之前 | 招募及培训记录 |
| 核验覆盖率 | 每一条标注 | 预识别产出从未在未经核验的情况下交付 | 人工核验环节 |
方法与核实。 本页数据由 Lifewood 自行披露。图像数量、标注数量、类别覆盖范围、团队规模及工期,均为实际交付数据。单图标注密度及月度吞吐量数据,是由这些实际数据通过除法推算得出,已标注为"推算值",而非作为单独测算的结果呈现。平台预识别产出的每一条标注,均经过人工核验环节;预识别产出从未在未经核验的情况下交付。本页未公开已交付准确率,因为尚未就验证测算依据达成一致。根据本次合作的保密条款,本页不披露客户名称。
关于这个项目的常见问题
在 Lifewood 的鱼眼泊车项目中,难点在于径向畸变——图像空间中画出的一个矩形,并不对应现实世界中的一个矩形,而且这种误差会随着靠近画面边缘(泊车障碍物出现的地方)而不断放大。
在这个自动泊车项目中,Lifewood 仅将平台预识别用作第一道工序;每一条标注随后都会经过人工核验环节,因为预识别的表现恰恰在鱼眼畸变最严重的地方衰减得最明显。
Lifewood 按场景划分泊车标注团队,因为地下室、多层建筑及露天环境,在光照、障碍物特征及畸变表现上各不相同,而专业化团队能够更好地把握一份较窄的规格,胜过笼统团队应付一份宽泛的规格。
在这个项目中,Lifewood 在三周内完成了一支 40 人鱼眼标注团队的招募与培训,并将其纳入五个月交付周期之内,而非在此之前完成。