无人驾驶数据标注未来前景怎么样？

2021-11-07汽车

最近世界模型相关工作增加，也引起了大家对世界模型的探讨，是否会颠覆自动驾驶标注行业，今天的分享由知乎作者 @一介书生 投稿。

1: 数据标注面临的问题(特别是基于BEV 任务）

随着基于BEV transformer 任务的兴起，随之带来的是对数据的依赖变的越来越重，基于BEV 任务的标注也变得越来越重要。目前来看无论是2D-3D的联合障碍物标注，还是基于重建点云的clip 的车道线或者Occpuancy 任务标注都还是太贵了(和2D标注任务相比，贵了很多)。当然业界里面也有很多基于大模型等的半自动化，或者自动化标注的研究。还有一方面是自动驾驶的数据采集，周期太过于漫长，还涉及到数据合规能一系列问题。比如，你想采集一个平板车跨相机的场景，或者一个车道线城市多变少，少变多的场景，就需要采集人员专项去构建这样的场景。

关注知乎@自动驾驶Daily，第一时间获取自动驾驶感知/定位/融合/规控等行业最新内容

2: 24年会是世界模型的奇点时刻吗？

世界模型这个概念太过于大，或者说成传感器仿真。在特斯拉AI day 上第一次见识到仿真对标注的颠覆

图1: 特斯拉的自动化标注效果

图二 4D 重建的效果

当时看到之后是震惊, 还是震惊！就像当成特斯拉的BEV 一样颠覆。随着越来越多的研究人员在这个方向不断发力，有很多优秀的研究呈现出来。UniSim 的自动驾驶仿真系统，具备重放，动态物体行为控制，自由视角渲染等功能(这应该是每一个训练模型的同学都想拥有的) 。

还可以对lidar 进行仿真。

具体见: https:// zhuanlan.zhihu.com/p/63 6695025 . 这个方向还有更多的的类似的研究。

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 相关，整个pipeline 都比较重。还有另一个方向，基于扩散的研究方向。目前也取得了不错的研究。

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

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

技术发展太快了，传感器仿真的门槛正在降低，有可能24年自动驾驶标注行业会出现一些颠覆性的产品出来！

写在最后

欢迎star和follow我们的仓库，里面包含了BEV/多模态融合/Occupancy/毫米波雷达视觉感知/车道线检测/3D感知/多模态融合/在线地图/多传感器标定/Nerf/大模型/规划控制/轨迹预测等众多技术综述与论文；