manfukeji的博客

一方面，部分美国消费者认为自动驾驶技术非常适合用于点对点的商业物流等领域，但对私家车而言，这种技术可能会让驾驶变得毫无乐趣，私家车仿佛变成了公共交通，人们在其中就如同货物一样，失去了个性和独特性。另一方面，对于自动驾驶在安全方面的提升能力，大众是非常认可的，因为它能显著降低事故发生的可能性。根据AAA的数据，有68%的受访者表示他们害怕乘坐自动驾驶车辆，相较去年的数据增加了13%。相比之下，群众对完全自动驾驶汽车的渴望仅获得了61%的支持率，位于偏好列表的后段。

综上所述，自动驾驶技术确实具有缓解城市交通拥堵的潜力，但它的成功依赖于多个因素的综合作用。其中，高质量的数据标注对于确保AVs的可靠性和效率至关重要。为了最大限度地发挥自动驾驶汽车在改善交通流、提高道路使用效率和减少事故方面的潜力，未来的研究应当致力于改进数据标注技术，同时也要关注自动驾驶车辆与传统交通系统的整合问题。

综上所述，虽然暴雨天气对自动驾驶汽车带来了一些挑战，但随着技术的不断进步和数据的不断优化，自动驾驶汽车在暴雨天气下的性能和安全性将得到进一步提升。：在车辆动力学控制方面，采用先进的涡轮增压系统可以提高车辆的抓地力和稳定性。：将不同类型的传感器如摄像头、雷达、激光雷达等进行融合，综合利用它们的优势，以弥补单一传感器在暴雨天气中的缺陷，提高自动驾驶的感知能力。：通过收集大量的暴雨天气数据，如降雨强度、能见度、路面湿滑程度，以及与车辆操控和路况等数据，可以为系统提供更准确和全面的天气预警信息。

综上所述，优质数据是提升感知能力不可或缺的一环，它为模型提供了丰富、准确、多样且实时的信息，促使模型在现实场景中具备更好的表现。尽管全无人驾驶技术还面临一些挑战和障碍，但它的出现已经引发对交通出行和城市规划的全新思考，无人驾驶技术有望进一步减少交通事故、缓解交通拥堵，并优化车辆行驶路线，从而减少尾气排放，提高能源利用效率，为可持续发展做出积极贡献。

在汽车行业，行人检测一直是一个研究热点与难点。自动驾驶对于行人检测的准确性要求极高，行人姿态变化、衣着打扮、随机运动甚至室外光线等问题都会影响到检测的准确性。使用高精度的传感器有利于算法结果准确，但高精度的传感器非常昂贵，成本和精度无法兼得，这种矛盾在过去一直很难解决。相比之下，使用廉价的摄像机获取图像，通过处理图像来检测到行人的位置以及运动趋势，从而取代雷达，压缩成本，该过程就是行人检测技术。

随着科技的不断发展，计算机视觉、机器学习等技术在自动驾驶领域的作用愈加显著。其中，4D标注作为一种融合时间维度和空间维度的新技术，近年来备受关注，已被广泛地应用于多个领域。本文将从4D标注技术的基本原理、应用场景以及未来发展前景等多个角度对其进行详细阐述。

AIGC（Artificial Intelligence for General Contracts）又称生成式AI，其特点是自动化且高效，例如AI文本续写，文字转图像的AI图、AI主持人等，都属于AIGC的应用。作为AI与计算机科学技术的结合体，AIGC主要是通过对大量数据的分析和处理，如客户需求预判、竞争对手行动分析等，为企业提供切实可行的决策方案。这对于以数据驱动的自动驾驶来说极其重要，快速的获取大量的行车数据，是决胜自动驾驶赛道的关键。

近日，由极客网和极客智库发起评选的《2023自动驾驶数据标注公司排行》榜单正式揭晓，曼孚科技凭借行业领先的产品技术方案以及良好的用户口碑极客榜单是由极客网和极客智库根据市场数据、用户口碑、经营财报等公开资料，基于大数据统计及相关领域专家、分析师意见综合评测而出，是业内最具公信力与含金量的榜单之一。此次登顶榜首，既体现了行业内外对曼孚科技产品服务的肯定与认可，也彰显了，在自动驾驶领域的应用价值与商业潜力。

如果代码质量是区分软件系统好坏的标准，那么数据质量便是区分AI系统智能化的标准。对模型来说，使用正确的数据不可或缺。而实际训练中，常出现场景数据分布不均衡的现象，长尾数据就是其中一个特例。长尾数据是指数据集中某些类别数量较少，而其他类别样本数较多的不平衡“长尾”状态。例如在自然语言处理中，一些少见的词汇出现频率很低，而常见的词汇出现频率很高；在图像识别中，一些罕见的物体出现的频率很低，而常见的物体出现频率很高。

智能汽车是一个集成环境信息感知、行为决策、路径规划及车辆控制等环节的复杂系统功能。因其在提升车辆行驶安全、缓解交通拥堵、降低物流成本等方面的作用，智能汽车拔新领异，引领了新时代汽车行业的革新。实际驾驶环境中，影响智能汽车行为决策的因素众多，户外环境的未知性、环境检测的准确性、交通规则的约束性、交通路况的突发性以及恶劣天气等，都是考验自动驾驶智能性的关键维度。本文将从复杂路况角度，浅析真实环境下自动驾驶的智能化表现。

车辆检测通过环境感知收集场景信息，并结合智能算法实时准确的计算该车四周是否存在其他车辆及这些车辆的所处位置。自动驾驶车辆检测包括路面、静态物体与动态物体三方面，如道路边界检测、障碍物检测、车辆检测、行人检测等。通过对外界与车内信息的采集、处理与分析，车辆可以检测到各种移动与静止的障碍物，从而定位静态与动态对象(车辆、行人、建筑物等)，识别可行驶空间。其中，道路信息包括可行驶区域、车道线、交通标志、绿化带、红绿灯等，这些信息能够帮助车辆准确感知自身和周边环境的驾驶态势，准确规划出可驾驶路径。

标注方法为OCR标注，不仅可以提取车牌上的文字信息，还可以识别出车辆的零配件信息，上险情况等，很好满足移动治安刑侦的需求。模型的养成是需要数据喂养的，经过标注处理后的数据，喂得越多模型越准，模型越准智能水平越高。5G、物联网、车联网等新技术的应用促使车载监控使用成本一降再降，商用的口子被一下子拉开，如今车载监控已成为增长最快的监控细分市场之一。尽管，与人工智能结合的车载系统进步神速，但目前我国车载监控技术能力仍处于初级阶段，产品价值附加值较低，智能安全驾驶问题仍是一大隐患。

进入落地阶段，智能交互、人脸识别、自动驾驶等应用成为了最大的热门，AI公司开始比拼技术与产业的结合能力，而数据作为AI算法的“燃料”，是实现这一能力的必要条件。IDC最新统计数据显示，全球85%的受访企业表示数据准备费用已占AI开发总投入的50%以上，数据将在新一轮人工智能应用热潮中扮演更重要的角色。在数据标注尤其是自动驾驶数据标注领域，依托MindFlow SEED数据服务平台在数据标注、数据生命周期治理方面的卓越能力，数据可看、可控、可感知，赋能企业精细化运营，助力自动驾驶商业化落地应用进程。

随着全自动驾驶时代迫近，数据标注或将成为汽车行业下一个突破点。对自动驾驶来说，感知技术尤为重要，训练自动驾驶感知模型需要使用大量准确真实的数据。据英特尔计算，L3+级自动驾驶每辆汽车每天产生的数据高达4000GB，作为自动驾驶技术应用落地的必要条件，数据采集、数据标注服务已成为支撑自动驾驶热潮必不可少的一环。本文将以数据标注视角，通过曼孚科技自研平台MindFlow SEED，展示自动驾驶常见的标注场景。

就像有人说的，“高精地图对自动驾驶最大的意义，是清除行驶途中的迷雾，获得精准的定位和方向，但现在，高精地图还处在迷雾里等待曙光。”车企同样在寻找曙光，但眼下，无论选择哪种路线，自动驾驶都离不开高质量标注数据的堆砌，有数据才能走好自动驾驶这条路。至于，未来高精地图商们的终局，还需要时间与市场来验证。

如果有人问，中国自动驾驶独特优势在哪里?不少人会异口同声的回答：车路协同。没错，中国的车路双智能确是与众不同。从[十四五]的列入，到过亿项目的频现，车路协同受到了行业万众瞩目。基于V2X、5G、人工智能等技术，车路协同已被多家从业公司与部分专家视为自动驾驶的[战略窗口]。相比另一条路线——单车智能。车侧与路侧的结合虽有明显的感知决策优势，但从技术落地、商业化落地等角度而言，现阶段与单车智能仍有差距。面对业界的不同声音，本文将从不同立场，阐述单车vs车路的可行性与未来走向。

自动驾驶将在未来3年大规模落地，那么现在的自动驾驶还有哪些制约因素？数据将是各大车企“头疼”的一大难关。

简单来说，在图像中锁定目标便是物体检测。物体检测是一种图像分类技术，该技术不仅能对图像内物体进行分类，也可以从自然图像中的大量类别中识别出目标实例的位置，即目标定位。物体检测通过对目标周围绘制边界框，帮助机器在给定场景中识别分类。物体检测与图像识别：同为计算机视觉技术的典型，物体检测与图像识别都在围绕图像中的目标识别展开。值得注意的是，图像识别通过分类器提取重要特征，排除多余信息来完成图像分类，该技术无法完成目标定位。

举个例子，小A与小B一同要参加高考，A在做题过程中积极总结思路，活学活用，而B则大量刷题，没有总结思考的过程，高考分数下来，A超出B一百多分，同样的学习时间，为什么差距这么大?原来高考是全新的题目，A总结了大量题型规律，利用举一反三的技能，出色完成了考试。这种摸清本质规律的过程便是泛化，总结得越好，泛化也就越高。机器学习中的泛化用于衡量模型对未见过数据样本的分类能力。如果一个模型可以从不同的集合中预测数据样本，便是具备良好的泛化性。所以，上述例子中，A的泛化能力好，而B的泛化力差。

通俗讲，自动泊车就是指车子不需要人工控制，系统能够自动将车子停入车位的功能。利用车载传感器、处理器和控制系统的帮助，自动泊车成为了小白驾驶员的福音。自动驾驶通过遍布全身的传感器，车子可测量自身与周边物体之间的相对距离、角度、速度等，并将信息传递至车载计算平台或云计算平台计算出操作流程，最后控制车辆转向与加减速，以实现自动泊入、泊出及部分行驶功能。自动泊车发展至今，已形成完善的理论体系，整个自动泊车过程大致分为五个步骤丨环境感知丨停车位检测与识别丨泊车路径规划丨泊车路径跟随控制丨模拟显示。......

第一次看到“超自动化”这个词汇是在咨询公司Gartner发布的报告中，Gartner将超级自动化定义为一个以交付工作为目的的集合体，该集合体由机器人流程自动化、流程挖掘、智能业务流程管理等多种技术能力与软件工具组合而成，是实现智能流程自动化、集成自动化等技术的根基。但随着Gartner对超自动化理解的进一步延伸，最终于2022年又将其归纳成新型的**“业务驱动法”**，并指出超自动化将成为全球企业数字化转型的战略趋势，任何可以实现自动化的东西如今都可以采用超自动化。...

在自动驾驶环境感知系统中，如何获取高精度实时路况数据，是决定自动驾驶系统行车安全的关键。目前主流的两种感知技术路径“纯视觉”与“高精地图+激光雷达”中，由于激光雷达采集的3D点云路况数据更为密集、准确且具备三维地理信息，因此以3D点云数据为基础的感知算法即成为部分自动驾驶企业的核心技术路径，并诞生了规模庞大的3D点云数据标注需求。...

智能汽车现在卷到什么程度了?据获悉，在进入大规模量产“元年”后，各大车企都在全力升级自身的硬件配置，并进行一系列复杂场景的路测数据积累，拉开围绕高阶自动驾驶的量产“排位赛”。这其中，作为核心传感器之一的传统毫米波雷达也跟随步入升级换代与突破创新的关键阶段。作为高阶自动驾驶的三大核心传感器，摄像头正经历高像素、3D深度信息以及环绕感知力的提升阶段。与此同时，激光雷达和毫米波雷达之间也进行了一场角力战。激光雷达厂商正加快推动车规级量产进程，同时挑战更低成本和更高的可靠性，充分发挥激光雷达可以提供精准度更高的数据

“我觉得数据标注一直被世人误解，数据标注不是人工智能界的‘富士康’。”数据标注到底是怎样的工作？作为人工智能服务行业的一员，为什么被扣上“劳动密集型”的帽子?推本溯源，这还要从7年前说起。2015年百度AlphaGo的横空出世，像丢进水里的炸弹一样，掀起AI界的惊涛骇浪。此后的日子，人工智能行业在聚光灯下飞奔，跑出实验室、实现”AI+产业“落地，成为新基建的重要一员。AI行业也经历了资本的冰与火，逐渐走向理性。但作为AI产业链的最上游，数据标注行业却一直游离在聚光灯外，被人用有色眼镜看待。就连大佬刘慈欣都直

“自动驾驶就像被困在瓶中的一艘船，隔着玻璃瓶与大海相望，但迟迟无法落地…”自动驾驶的疯狂始于人类对未知技术的渴望。2012年，谷歌创始人谢尔盖. 布林称：“距离实现全自动驾驶的年数一只手就数得过来。”人们估算，自动驾驶会在2020～2021年实现。于是从四五年前开始，一大批自动驾驶创业公司破土而出。它们宣称将软硬通吃，铺开robotaxi、自动驾驶卡车、无人配送多项业务，有的甚至还要造车。一向以语不惊人死不休的埃隆·马斯克更是在2015年宣称：“特斯拉将在2年之内实现全自动驾驶。”但时至今日，大佬们当年立下

过去十年，信息技术探索带来的红利“喂饱”了大批新型产业，人工智能、云计算、5G等核心科技力量已成为推动产业升级的重大突破口，尤其AI产业的发展更已成为经济高质量增长的重要引擎。许多传统企业像大鱼入海一样涌入AI浪潮，AI产业链愈加大众化。而与此同时，数字化、智能化进程加快，使得AI训练数据本身的复杂度和种类不断提升。据估，所需数据中难度较大的非结构化数据已占总体八成以上。面对AI领域愈加专业化、定制化、可控化的数据需求，越来越多的企业开始选择与AI训练服务提供商合作，以曼孚科技为首的智能数据服务商正成为AI

自2020年开始，汽车行业便陷入了各种“缺”的怪圈。目前，国内汽车行业正经历着缺芯、缺电，甚至各类零部件缺乏的状况。而除相关物料的缺乏外，人才的短缺已成为汽车行业发展的重灾区。这其中，被资本市场视为风口的自动驾驶更是已上演多场激烈的“人才争夺战”，招聘手段可谓“八仙过海，各显神通”。随着造车新势力、传统车企对自动驾驶人才需求日益疯涨，一名普通的算法工程师年薪就已突破百万。各大车企打破原有秩序，重金狂挖，内卷严重。造车这件事上，人变得比钱还难找…而当钱也无法解决问题时，只能另辟新径。许多传统车企颁布严苛的竞业

2022年上半年，自动驾驶商业化在政策端与市场端均迎来新的发展阶段。政策方面，4月份北京正式对外发放无人化载人示范应用通知书，并允许Robotaxi主驾去掉安全员;5月份，云南省工业和信息化厅发布了《关于“十四五”推进云南省车路协同自动驾驶试点示范建设的指导意见》，明确到2025年，逐步实现高级别自动驾驶商业应用，L4级别智能车辆在特定领域开始试运行，力争建设成为国家级车路协同自动驾驶产业集聚区。而在厂商方面，IDC最新发布的《中国自动驾驶汽车市场数据追踪报告》中显示，2022年一季度，中国自动驾驶汽

点，作为人类感知与认知最原始的概念，是打开人类思维世界的新窗口。欧氏几何学中最简单的图形就是由点构成，点的云集掀开了人类观测世界的新篇章，重构了我们的世界。以地图和影像为代表的二维空间数据表达已经走过了漫长的历史，但远远不能满足人们对现实三维空间认知和地学研究的需求。而随着激光扫描、摄影测量等技术的开创，现实世界的三维数字化逐渐成为新时代标志产物，具有三维空间位置和属性信息的稠密点云也成为这场浪潮下的主流。点云基本特性点云可以理解为坐标系下的点的集合，是目标表面结构三维数字化表达，点云由一个个散乱的

有这样一类人，他们是AI行业的赋能者，是智能时代的奠基人，他们就是人工智能背后的“人工”——数据标注员。数据标注员的职责是帮助机器习得“知识”，或者换一种说法，他们的想法决定了AI的想法。AI繁荣的这些年，有数以亿兆级的数据信息传递到标注师的电脑前，被他们手动“智能化”。而如今，随着数据标注不断迭代升级，很多人担心数据标注师或许很快就会离开时代舞台…… 原因背后，无疑是数据标注员的工作特点导致，首先让我们来了解一下数据标注员都做些什么。如何成为一名数据标注员数据标注发展到现在，“数据标注员就是AI的

在AI科技爆发的年代，智能已逐渐遍布各大行业，随着愈来愈多的产品都被赋上“AI＋”文化，人工智能发展的浪潮已成为各企业新的探索目标，人工智能必将在支柱产业中占据一席之位，而这一方向愈加明确，愈会带动相关产业的发展，数据标注产业将迎来黄金时期。其实，早在人工智能时代未完全到来之时，数据标注产业就已悄然兴起，作为朝阳企业，许多从业人员都为数据标注奉献了大量精力，基础数据服务作为人工智能领域的一支也成为少数已实现盈利的行业之一，那么数据标注行业是如何不断发展壮大、独撑一片天呢？每个行业要想不被淘汰必然要不断调

在国家政策和市场的积极引导下，自动驾驶技术逐渐在矿山、港口等特定场景实现规模化商业运营。与有人驾驶汽车方式类似，自动驾驶核心系统由三部分构成：感知系统、决策系统与执行系统。其中感知系统类似于驾驶员的“眼睛”与“耳朵”，通过各种传感器对驾驶过程中的路况信息进行捕获，以解决自动驾驶最为关键的“行车安全”问题，因此感知系统也是自动驾驶的重要基础与先决条件。目前，自动驾驶感知技术大致存在两种路径：一种是以机器视觉为核心，毫米波雷达+摄像头解决方案，典型代表企业特斯拉、Mobileye、百度Apollo等，另.

伴随数字经济发展，人工智能已渗透进人们生活、工作中，市场对数据需求正呈现出指数级增长，基础数据服务行业的重要性愈发凸显。在这种科技与产业深度融合的时代下，为AI行业提供优质的数据服务，是数据服务企业的首要目标。正所谓“刀快不怕颈硬，锯快不怕树粗”，面对市场与日俱增的数据需求，借助优秀的辅助工具便能最大化提升训练数据产出效率，缓解市场供需平衡。新一代智能标注平台的诞生谈到数据标注工具，市面普遍用到的是开源标注工具，但这种工具模式较单一，缺乏管理，且存在数据泄露风险，并不算是数据处理的最佳辅助工具，因此

在深度学习技术进步的支持下，自动驾驶汽车正成为未来出行的核心。自 2010 年初以来，围绕自动驾驶系统的研究随之兴起且经过多年实践迅速发展，在众多技术中，3D点云技术的突破已成为自动驾驶前行的推进器，保证自动驾驶车辆的正常行驶。传感器的推动力自动驾驶系统的性能高度依赖于感知任务的质量。为保证自动驾驶车辆的正常行驶，自动驾驶首先应具备一套完整的感知系统，替代驾驶员操控汽车。自动驾驶中人为干预程度越小，感知系统获取自身及周围环境信息的准确性、高效性和全面性要求就会越高，而这其中传感器技术的进步为自动驾驶

2021年可谓是自动驾驶的商业化元年，进入2022年，随着国家自动驾驶示范区数量增加，自动驾驶技术已应用至多个场景，规模化商用开始成为行业主旋律。在这样的持续热度下，自动驾驶科技企业、主机厂与场景方多方协同，使得自动驾驶摆脱浅层概念，真正走进大众生活。而面对日益增长的市场需求，如何打磨自身竞争力，进入最后的决赛圈也成为自动驾驶产业中每个参与主体都需要思考的问题。自动驾驶商业化落地，车路协同或将成为主流车路协同即车联网，是以行驶中的车辆为信息感知对象，借助新一代信息通信技术，实现车与车、人、路、服务平台

过去的一年，是自动驾驶商业化取得卓有成效进展的一年。以“Robotaxi”场景为代表的商业化试点率先在北京开启，自动驾驶由此迈过产业化“奇点”，正式进入量产应用的快车道。值得注意的是，相较于开放道路下的乘用车场景，矿区、港口、物流园区、机场等封闭场景下的自动驾驶商业化进展则更为迅速而稳定，尤其是矿区场景，更是近些年自动驾驶下的热门细分赛道。为什么是矿区场景提及自动驾驶，很多人脑海中的印象会停留在开放道路下的乘用车驾驶场景，而以矿区为代表的封闭自动驾驶场景却往往为人所忽略。但这是一个规模超千亿的庞大

众所周知，机器处理和存储知识的速度比人类快很多，且对“知识”的需求量也远超过人类，对于机器学习模型，通过数十甚至数百张图像可能仍无法准确识别一种物体。因此如何最大限度利用机器处理一些“智能任务”?答案是用和这些智能任务相关的数据来“喂养”机器，让机器从这些数据中学习，这些相关数据也称训练数据。机器能从提供的训练数据中学习。训练数据通过为算法模型提供养料，确保机器吸收高质量样本集，因此训练数据的质量会对机器学习算法模型的成败产生重大影响。训练数据与测试数据：为什么要拆分数据?训练数据与测试数据对于教授机

过马路是参与交通路权的重要交通场景之一。车辆驾驶员和行人之前通常使用非语言交流来相互判断协商人行横道是否可以通行，而没有驾驶员的自动驾驶汽车很难将车辆的驾驶意图传达给十字路口的行人，这可能会使行人和其他道路使用者的安全性降低。解决自动驾驶汽车准确识别红绿灯的问题对于所有车辆安全都至关重要，与人类驾驶的汽车不同，自动驾驶汽车仅依靠其计算机视觉系统及导航数据来识别红绿灯。目前，最好的自动驾驶辅助系统每隔数万小时就会出现对环境感知的偏差，如果对红绿灯感知错误，乘客与行人都将处于危险中。下面从三个角度来看自动驾

过去的2021年，对于数据标注行业而言，是略显“矛盾”的一年。一方面以自动驾驶场景为核心的数据处理需求持续激增，数据标注行业迎来发展的沃土;另一方面，行业融资事件寥寥，且依然没有诞生独角兽企业。与前十年野蛮增长不同，迈入下半场的数据标注行业急需的不仅是思考，更是改变。自动驾驶进入商业化运营阶段2021年，国内自动驾驶行业迎来新一轮发展高峰。相关统计数据显示，过去一年国内自动驾驶行业披露的融资事件高达94起，融资总金额超435亿，同比历史最高。与之相对应，美国加州交通管理局DMV发布的2021年自动

自动驾驶堪称这个春节的顶流。大年初二，来自百度的 " 汽车机器人 " 实力出境，参与了北京冬奥会50-51棒的火炬传递，中国的自动驾驶企业秀足了肌肉，展示出了自动驾驶技术在不同场景下的落地应用。引擎盖下的数据要求自动驾驶已从共识走向常识。据OMDIA汽车研究部门Ward Intelligence统计数据显示，2019年约有1.5亿辆联网乘用车，到2022年这一数字将翻一番。对于整个汽车产业链而言，自动驾驶既是红海，亦是蓝海。自动驾驶技术需要大规模的数据训练其自动驾驶能力，教会汽车认知驾驶环境，正确驾