無人駕駛數據標註未來前景怎麽樣？

2021-11-07汽車

最近世界模型相關工作增加，也引起了大家對世界模型的探討，是否會顛覆自動駕駛標註行業，今天的分享由知乎作者 @一介書生 投稿。

1: 數據標註面臨的問題(特別是基於BEV 任務）

隨著基於BEV transformer 任務的興起，隨之帶來的是對數據的依賴變的越來越重，基於BEV 任務的標註也變得越來越重要。目前來看無論是2D-3D的聯合障礙物標註，還是基於重建點雲的clip 的車道線或者Occpuancy 任務標註都還是太貴了(和2D標註任務相比，貴了很多)。當然業界裏面也有很多基於大模型等的半自動化，或者自動化標註的研究。還有一方面是自動駕駛的數據采集，周期太過於漫長，還涉及到數據合規能一系列問題。比如，你想采集一個平板車跨相機的場景，或者一個車道線城市多變少，少變多的場景，就需要采集人員專項去構建這樣的場景。

關註知乎@自動駕駛Daily，第一時間獲取自動駕駛感知/定位/融合/規控等行業最新內容

2: 24年會是世界模型的奇異點時刻嗎？

世界模型這個概念太過於大，或者說成傳感器仿真。在特斯拉AI day 上第一次見識到仿真對標註的顛覆

圖1: 特斯拉的自動化標註效果

圖二 4D 重建的效果

當時看到之後是震驚, 還是震驚！就像當成特斯拉的BEV 一樣顛覆。隨著越來越多的研究人員在這個方向不斷發力，有很多優秀的研究呈現出來。UniSim 的自動駕駛仿真系統，具備重放，動態物體行為控制，自由視角渲染等功能(這應該是每一個訓練模型的同學都想擁有的) 。

還可以對lidar 進行仿真。

具體見: https:// zhuanlan.zhihu.com/p/63 6695025 . 這個方向還有更多的的類似的研究。

NeuRAD: Neural Rendering for Autonomous Driving

DrivingGaussian: Composite Gaussian Splatting for Surrounding Dynamic Autonomous Driving Scenes 以上的方法都大多和Nerf 相關，整個pipeline 都比較重。還有另一個方向，基於擴散的研究方向。目前也取得了不錯的研究。

BEVControl: Accurately Controlling Street-view Elements withMulti-perspective Consistency via BEV Sketch Layout

< MagDriver MAGIC DRIVE : STREET VIEW GENERATION WITH DIVERSE 3D GEOMETRY CONTROL >

技術發展太快了，傳感器仿真的門檻正在降低，有可能24年自動駕駛標註行業會出現一些顛覆性的產品出來！

寫在最後

歡迎star和follow我們的倉庫，裏麪包含了BEV/多模態融合/Occupancy/毫米波雷達視覺感知/車道線檢測/3D感知/多模態融合/線上地圖/多傳感器標定/Nerf/大模型/規劃控制/軌跡預測等眾多技術綜述與論文；