AI數據服務作為人工智能和機器學習的基礎，在自動駕駛領域中有著重要地位。與其他人工智能應用場景相比，自動駕駛的落地場景相對復雜，想要讓汽車本身的算法做到處理更多、更復雜的場景，就需要運用大量場景化高質量AI數據做支撐。AI數據服務應用在自動駕駛領域的技術主要是數據采集和數據標注兩種。

數據采集在自動駕駛領域的應用

應用在自動駕駛領域的數據采集是指通過各種傳感器和設備，對自動駕駛車輛的行駛過程進行數據記錄和采集的過程。這些數據可以包括車輛位置、速度、加速度、方向盤轉角、剎車和加速踏板輸入、傳感器讀數（如攝像頭、雷達、激光雷達等）、車輛狀態信息等。

自動駕駛數據采集的目的是為了對車輛的行駛過程進行分析和評估，以提高自動駕駛系統的性能和安全性。通過采集大量的實際行駛數據，可以對各種駕駛場景和情況進行模擬和測試，以驗證自動駕駛系統的可靠性和適應性。

數據采集是自動駕駛技術發展中非常重要的一環，通過采集和分析大量的實際行駛數據，可以不斷改進和優化自動駕駛系統，提高其性能和安全性。

數據標注在自動駕駛領域的應用

應用于自動駕駛領域的數據標注主要包括4D-bev、3D點云標注、2D3D融合標注、2D圖片標注四種主要的標注方式，他們對別對應自動駕駛環境中不同的駕駛環境數據標注分析，對圖像、視頻、激光雷達等多種數據源進行詳細且精確的標識，以便訓練自動駕駛系統。

1、4D-bev標注

4D-BEV標注是指在3D空間中以時間作為第四個維度進行標注的過程。通過精準地跟蹤和記錄動態對象的運動軌跡、姿勢變化以及速度等信息，全面理解和分析動態對象在連續的時間序列中的變化，提升自動駕駛系統的感知、決策和控制能力。

當下 4D BEV 感知的挑戰主要有兩個：其一是如何快速低成本的構建大量高質量的4D-BEV真值數據，用于感知的訓練和評價；其二是如何有效利用云端來做大規模的BEV算法的訓練、加速、部署、評價等。為了解決這些行業痛點，標貝科技在大模型能力支持下給出了4D-BEV標注方案。

標貝科技4D標注工具針對3D空間+時序維度進行標注，采用了多種傳感器融合的方式，可以支持激光雷達、攝像頭、毫米波雷達、機位圖等多種數據類型，并通過算法將這些數據進行對齊和融合，以提供更準確、更統一的視圖。同時借助自動化技術和云端大數據來提升標注的效率和準確度。

2、3D點云標注

3D點云標注是目前市面上做的比較多的一種標注類型，它能讓人工智能自動駕駛領域中，準確的環境感知和精確的定位，是自動駕駛汽車在復雜動態環境中能夠進行可靠導航，信息決策以及安全駕駛的關鍵，所以3D點云標注對于自動駕駛智能化和穩定性的提升有著舉足輕重的作用。

3D點云標注主要是通過對三維場景掃描及采集2D圖片，生產的一種具有維度的點云數據集，包含了三維場景的基本特征，標注員需要通過2D圖片的組合，判斷標注物在點云集上的位置，進而通過工具進行標注，加上屬性判斷，生產出計算機可以識別讀取的三維信息，讓人工智能通過大量學習，掌握對于運動軌跡、運動場景等情況的預判斷等等相關能力，從而能更好的提升智能化，嚴格意義上講，3D點云的標注可以是說是幫助自動駕駛系統進行正確感知的重要傳感器

3、2D、3D融合標注

2D、3D融合標注是指同時對2D和3D傳感器中所采集到的圖像數據進行標注，并建立起聯系。在自動駕駛領域，自動駕駛汽車需要使用傳感器來識別車輛周圍的物理環境，用來捕獲2D視覺數據，同時在車輛頂部安裝雷達，用以捕捉精確目標定位的3D位置數據。

激光雷達生成的點云數據可用于測量物體的形狀和輪廓，估算周圍物體的位置和速度，但點云數據缺少了RGB圖像數據中對物體紋理和顏色等信息的提取，無法精確地將對象分類為汽車、行人、障礙物、信號燈等。

所以標貝科技將包括豐富的語義信息的2D視覺圖像和可以提供精確的目標定位的3D點云數據進行融合，使標注員能利用視覺信息和深度信息創建出更加精準的標注，讓自動駕駛系統能夠精確地了解周圍環境，準確做出判斷，讓自動駕駛功能得以廣泛應用。

4、2D圖像標注

2d無人駕駛語義分割的結果是將圖像變成帶有一定語義信息的色塊。語義分割技術可以識別出每個色塊的語義關別，并給每個像素都標注上其對應的標簽，從而實現從底層到高層的語義推理過程，最終得到一張具有各個像素語義標注信息的分割圖。

這些經過標注后的語義分割圖像，可以用于自動駕駛核心算法訓練。自動駕駛汽車在行駛的過程中，車載攝像頭，或者激光雷達探查到圖像后輸入到神經網絡中，后臺經過訓練的算法模型就可以自動將圖像分割歸類，以實現避讓行人與車輛等障礙。

標貝科技針對自動駕駛的不同落地需求，提供定制化采集標注、數據標注平臺等服務，對視頻、圖像、文本、點云等數據進行結構化處理，一站式解決自動駕駛從研發初期到落地的訓練數據需求，在為智能駕駛相關企業和高校科研機構提供大規模感知數據的能力的同時，可大幅度提升數據標注效率，降低AI模型訓練成本，極大地加速智能駕駛相關應用的落地迭代周期，節省研發時間標貝科技和成本。