2022年，國內(nèi)自動駕駛商業(yè)化進程迎來新的發(fā)展篇章。

相關(guān)統(tǒng)計數(shù)據(jù)顯示，今年一月份，國內(nèi)新車前裝標(biāo)配搭載L2級輔助駕駛系統(tǒng)上險量為48.45萬輛，同比增長63.21%，前裝搭載率22.13%，同比增長近10%。

目前，全國已開放道路測試里程超5000公里，發(fā)放測試牌照900余張。8月1日，《深圳經(jīng)濟特區(qū)智能網(wǎng)聯(lián)汽車管理條例》正式生效，深圳作為先行示范區(qū)，完全自動駕駛汽車自此可合法上路。

(資料圖)

可以說，自動駕駛產(chǎn)業(yè)在商業(yè)化方面交出了一份相當(dāng)不錯的答卷，此前預(yù)估的萬億產(chǎn)業(yè)規(guī)模正被市場逐步兌現(xiàn)。

而伴隨著汽車產(chǎn)業(yè)智能化發(fā)展路徑的逐漸明晰，市場需求也在倒逼自動駕駛公司進一步提升技術(shù)水準(zhǔn)以及為消費者提供更優(yōu)質(zhì)的駕駛體驗，在推進L3、L4級自動駕駛技術(shù)落地的路上，仍有眾多問題亟待解決。

指數(shù)級增長的數(shù)據(jù)需求

自動駕駛技術(shù)屬于人工智能的一個重要分支。

現(xiàn)階段，實現(xiàn)人工智能主要以機器學(xué)習(xí)，尤其是深度學(xué)習(xí)方式為主。在實際應(yīng)用中，無論是采用有監(jiān)督學(xué)習(xí)模式，亦或是半監(jiān)督學(xué)習(xí)模式，對標(biāo)注數(shù)據(jù)均有強依賴性需求。

對場景積累度與感知能力要求更高的自動駕駛技術(shù)對數(shù)據(jù)的依賴度也更高。當(dāng)下兩種主流視覺感知路徑，無論是特斯拉的毫米波雷達+攝像頭解決方案，還是Waymo的高精地圖+激光雷達解決方案，感知算法的訓(xùn)練與調(diào)優(yōu)都離不開大規(guī)模的路測數(shù)據(jù)。

這些路測數(shù)據(jù)規(guī)模有多大，需要多少才能滿足完全自動駕駛的需求，蘭德公司對此的預(yù)估是，自動駕駛汽車需要在真實或者虛擬環(huán)境中至少進行177億公里的測試，不斷利用新數(shù)據(jù)調(diào)優(yōu)算法，才能證明自動駕駛系統(tǒng)比人類駕駛員更可靠。

假設(shè)車隊規(guī)模100輛，全年24小時無休并以45千米每小時的速度進行測試，大概需要500年。

500年的時間顯然過于漫長了，最簡單粗暴的解決方案是擴充車隊規(guī)模。當(dāng)車隊規(guī)模達到1000輛時，時間周期可以縮短至50年，而當(dāng)車隊規(guī)模擴充至10000輛時，只需5年就可以完成所有的路測，并采集到相關(guān)的數(shù)據(jù)。

一個問題，如果有解決方案卻沒有付諸實施，則意味著該解決方案是不可行的。當(dāng)下各自動駕駛公司在擴充車隊方面均沒有過于激進，顯然，單純擴充車隊規(guī)模并不足以解決自動駕駛技術(shù)調(diào)優(yōu)問題。

問題的根源在于如何處理這些路況數(shù)據(jù)。

基于深度學(xué)習(xí)算法的自動駕駛技術(shù)，繞不過數(shù)據(jù)的標(biāo)注和訓(xùn)練。采集得到的路況數(shù)據(jù)均為非結(jié)構(gòu)化數(shù)據(jù)集，這些原始數(shù)據(jù)集未經(jīng)處理是無法直接用于算法的訓(xùn)練與調(diào)優(yōu)。

開放路段下的自動駕駛汽車對于感知系統(tǒng)的實時性與安全性要求極高，與之相對應(yīng)，相關(guān)算法的準(zhǔn)確度與場景適應(yīng)度也需要達到一個很高的水準(zhǔn)，這就對數(shù)據(jù)標(biāo)注的規(guī)模與數(shù)據(jù)產(chǎn)出質(zhì)量提出了更高的要求。

換言之，自動駕駛技術(shù)進步帶動了規(guī)模龐大的數(shù)據(jù)標(biāo)注需求。但數(shù)據(jù)標(biāo)注行業(yè)量產(chǎn)能力是否跟得上自動駕駛行業(yè)快速擴充的步伐呢？

答案是沒有。

線性增長的數(shù)據(jù)供給

與指數(shù)型增長的自動駕駛數(shù)據(jù)標(biāo)注需求相比，則是線性增長的數(shù)據(jù)供給。

數(shù)據(jù)標(biāo)注行業(yè)發(fā)展早期，行業(yè)準(zhǔn)入門檻較低，數(shù)據(jù)處理場景較為簡單，算法模型尚處于實驗室驗證階段，往往簡單的標(biāo)注工具+少量的數(shù)據(jù)即可滿足需求。

但如此得來的算法模型過于基礎(chǔ)，最終落實到真實場景仍需不停提升算法性能。

目前，提升算法性能的方式主要有兩種，一種是提高算法模型的設(shè)計復(fù)雜度；另一種則是以數(shù)據(jù)迭代為中心，通過投喂海量數(shù)據(jù)以提升算法的性能。

從實踐結(jié)果上來看，第二種方式更具優(yōu)勢，且被大規(guī)模采用。

提高算法模型的設(shè)計復(fù)雜度本質(zhì)上依然離不開數(shù)據(jù)投喂，且針對特定場景設(shè)計算法仍舊需要特定的數(shù)據(jù)。

從算法發(fā)展路徑來看，通用場景的泛化算法已經(jīng)基本成熟，大多數(shù)新算法是在老算法的基礎(chǔ)上發(fā)展而來。目前，一些成熟且得到大范圍應(yīng)用的算法模型架構(gòu)在很多年前已經(jīng)基本確定，后續(xù)算法迭代則主要以數(shù)據(jù)為主。

在實際應(yīng)用去解決問題時，不同場景需要解決的問題不盡相同。這并不是算法模型的問題，而是場景適配度的問題。算法架構(gòu)與技術(shù)路徑并無問題，場景不同，需要處理的數(shù)據(jù)也就不同。

以自動駕駛場景為例，目前自動駕駛感知算法技術(shù)架構(gòu)已經(jīng)基本成熟，封閉場景如礦山、機場、港口等因場景較為固定且單一，算法迭代基本成熟，因此商業(yè)化發(fā)展之路較為順暢，已進入實質(zhì)商業(yè)化運營階段。

而開放道路下所需要處理的場景過于復(fù)雜，僅簡單一個路口所演化出的場景類別就堪稱海量，算法模型迭代需要的數(shù)據(jù)量也呈指數(shù)型快速增長。

但數(shù)據(jù)標(biāo)注行業(yè)長久以來粗放的執(zhí)行方式以及依賴簡單標(biāo)注工具的業(yè)務(wù)執(zhí)行方式，卻無法在供給端快速滿足市場的爆發(fā)性需求。

尤其隨著自動駕駛3D點云數(shù)據(jù)的應(yīng)用與普及，點云數(shù)據(jù)處理對數(shù)據(jù)供應(yīng)商的產(chǎn)品力以及交付能力提出了更高的要求，傳統(tǒng)SLG（銷售驅(qū)動增長）重銷售輕產(chǎn)品的模式在數(shù)據(jù)標(biāo)注量產(chǎn)能力方面逐漸暴露弊端，數(shù)據(jù)標(biāo)注行業(yè)供給側(cè)與需求側(cè)之間的鴻溝愈發(fā)被拉大。

供需平衡的關(guān)鍵

創(chuàng)新與變革是提升生產(chǎn)力的關(guān)鍵，數(shù)據(jù)標(biāo)注行業(yè)亦然。

數(shù)據(jù)處理難度與處理規(guī)模的提升對產(chǎn)品力提出了更高的要求，傳統(tǒng)以銷售為核心驅(qū)動力的業(yè)務(wù)模式并不能構(gòu)建起深度護城河，效率提升與成本降低的關(guān)鍵是技術(shù)創(chuàng)新與執(zhí)行方式的變革。

作為行業(yè)領(lǐng)先的數(shù)據(jù)服務(wù)企業(yè)，曼孚科技長期聚焦自動駕駛行業(yè)，并對自動駕駛數(shù)據(jù)標(biāo)注擁有自己的理解。

相較于SLG模式業(yè)務(wù)增長需要堆積人力的方式，曼孚科技回歸科技創(chuàng)新本質(zhì)，以PLG（產(chǎn)品驅(qū)動增長）模式代替SLG模式，重視塑造產(chǎn)品力，構(gòu)建技術(shù)護城河。

產(chǎn)品方面，曼孚科技推出了第三代數(shù)據(jù)服務(wù)平臺——MindFlow SEED 數(shù)據(jù)服務(wù)平臺。相較于傳統(tǒng)標(biāo)注工具，SEED定位平臺而非工具，原因在于SEED平臺在解決數(shù)據(jù)標(biāo)注問題的同時，也很好地解決了數(shù)據(jù)生命周期管理問題。

借助AI算法驅(qū)動的自動標(biāo)注，以及針對自動駕駛場景推出的布爾運算、融合點云車道線、自動關(guān)鍵幀等功能，MindFlow SEED 數(shù)據(jù)服務(wù)平臺在數(shù)據(jù)處理尤其是自動駕駛3D點云數(shù)據(jù)處理方面建立了深厚的技術(shù)壁壘，平均標(biāo)注效率提升10倍以上，并在業(yè)內(nèi)維持了較高的技術(shù)領(lǐng)先性。

而在數(shù)據(jù)生命周期管理方面，MindFlow SEED數(shù)據(jù)服務(wù)平臺建立了一整套覆蓋非結(jié)構(gòu)化數(shù)據(jù)接入至結(jié)構(gòu)化數(shù)據(jù)導(dǎo)出的管理機制，功能涵蓋數(shù)據(jù)集管理、團隊人員管理、工作流管理、數(shù)據(jù)統(tǒng)計分析等模塊，流程周轉(zhuǎn)更流暢，有效節(jié)約管理成本并顯著提升業(yè)務(wù)執(zhí)行效率。

與傳統(tǒng)依賴人力的業(yè)務(wù)執(zhí)行方式不同，曼孚科技還更加注重自動化建設(shè)。通過提升RPA（自動化）水平，以平臺產(chǎn)品取代過往人力堆積的執(zhí)行方式，業(yè)務(wù)執(zhí)行規(guī)模不再與項目經(jīng)理人數(shù)綁定，產(chǎn)能天花板問題得以有效突破。

憑借產(chǎn)品與執(zhí)行方式上的創(chuàng)新變革，曼孚科技實現(xiàn)了自動駕駛數(shù)據(jù)標(biāo)注的規(guī)模化量產(chǎn)，從源頭端解決了AI應(yīng)用場景持續(xù)拓展對于高質(zhì)量多源異構(gòu)數(shù)據(jù)的海量需求。

隨著自動駕駛商業(yè)化在更多場景實現(xiàn)落地應(yīng)用，曼孚科技也將探索更多數(shù)據(jù)生產(chǎn)與處理的新方式，用高質(zhì)量數(shù)據(jù)助力人工智能融合應(yīng)用走深向?qū)崱?/p>

關(guān)鍵詞： 數(shù)據(jù)處理 數(shù)據(jù)服務(wù) 解決方案