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 量产不仅仅是模型算法。。。 自2024年中旬始，业内某新势力一个不到900人的智驾团队，从业内垫底到一路反超，甚至打平了小鹏。 不到6个月的时间里，该新势力就成为业内一众主机厂在智驾能力上讨论与对标的对象。不出意外，这家公司的智驾人才也被各家公司疯狂挖墙脚，自从2024年底，无 论什么职级，几乎每个工程师都收到过猎头电话。 随之而来的一个问题，自从去年下半年至今，被裁与挖走的人也有半年数月，为何鲜少听说哪个团队做出了好系统？ 而这背后最大的壁垒，其实就是数据闭环。最近有幸和很多业内的小伙伴交流，大家普遍形成了一个共识： 模型算法只是智驾能力从0到10的关键，却不是从10到100 的核心。未来是海量自动标注数据的时代！ 智能驾驶的量产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。其中泛化的核心关键便是如何高效&高质 量的获取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 ...

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？ 最近有幸和很多业内的小伙伴交流，大家普遍形成了一个共识： 模型算法只是智驾能力从0到10的关键，却不是从10到100的核心。未来是海量自动标注数据的时代！ 智能驾驶的量产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。其中泛化的核心关键便是如何高效&高质量的获取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， ...

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 这些天一直在思考一个问题：当下自动驾驶的技术发展，重建还有哪些应用？ 起因是身边做SLAM的小伙伴抱怨现在工作都找不到，SLAM的职业发展空间正在逐渐缩小。而且当下自动驾驶所需要的重建也在向前发展，不再是SLAM相关的技术 栈了。。。 回到问题本身，重建当下在4D标注 - 静态元素上的应用还是很广的，当然核心技术不再局限在SLAM上。车道线及静态障碍物标注，还是强依赖在重建图上标注的~2D 空间标注，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，这种方式耗时费力，实时上，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。 重建的目的主要有两个： 输入：根据lidar或者多个周视摄像头重建得到的3D重建图 输出：矢量车道线及类别，单条车道线用多个有序点表示组成折线，例如一条车道线为（N,3），其中N为车道线点的数量，3为xyz空间坐标值 获取地面重建图2D（BEV+高度）车道线和地面标识； 重建静态点云 3D（静态障碍物）。 在梳理下重建的整体流程，这里面涉及 ...