点击下方 卡片 ，关注" 自动驾驶之心 "公众号 戳我-> 领取 自动驾驶近15个 方向 学习 路线 4D标注之静态元素 自轻图方案成为业内共识以来，业内很多公司都在铺开人力推进轻图算法量产。从整个算法落地的流程上看，首先需要依赖一定的标注数据训练模型，推进云端模型 训练进而生产自动化轻图数据，进而在反哺车端模型更新，通过迭代的方式泛化车端模型。车端模型一般是时序6v输入的，只能感知局部区域，而云端模型需要做全 场景的静态元素标注。 首先我们先回答一个问题：传统2D图像静态元素标注有什么缺陷？ 以往2D空间标注，需要每个时间戳下都需要再图像上进行标注，模型做语义分割+深度预测。这样非常耗时费力，需要大量的重复工作。实际上我们只需要重建出3D 静态场景，在重建3D场景中静态元素只需标注一次。 基于此，业内开始重视基于重建图或者说3D场景的静态元素标注。 现有的方法，会先将3D场景转换为BEV视图，这样不会损失路面上的静态元素信息，但是整个BEV视图非常大，不适合模型直接训练使用。因此实际中会根据自车位 姿滑动窗口截取局部地面重建图，再去训练云端的自动标注大模型，这是和车端模型最大的区别。总结来说，云端的pipe ...

点击下方 卡片 ，关注" 自动驾驶之心 "公众号 戳我-> 领取 自动驾驶近15个 方向 学习 路线 千万级4D标注方案应该怎么做？ 智能驾驶算法的开发已经到了深水区，各家都投入了大量的精力去做量产落地。其中一块最关键的就是如何高效的完成4D数据自动标注。一方面人工精标周期长、成 本贵，对于量产泛化的关键周期是非常大的阻力，因此高质量的4D自动标注是业内非常重要的一环，无论是3D动态目标、OCC、静态标注还是端到端标注。 相比于车端的感知算法，自动标注系统更像是一个不同模块组成的系统， 充分利用离线的算力和时序信息，才能得到更好的感知结果， 实际落地的时候，对于工程师 的能力要求上了一个档次，想要把这些大模型大系统玩转的好和高效，也是非常不容易的。 而自从端到端和大语言LLM横空出世以来，大规模无监督的预训练 + 高质量数据集做具体任务的微调， 可能也会成为量产感知算法下一阶段需要发力的方向。同时数 据的联合标注也是当下各家训练模型的实际刚需，以往分开标注的范式不再适合智能驾驶的算法发展需求。今天自动驾驶之心就和大家一起分享下4D数据的标注流 程： 最复杂的当属动态障碍物的自动标注，涉及四个大的模块： 而为了 ...