您現在的位置：首頁 > 供需失衡，如何填補自動駕駛數據標注供需鴻溝?
供需失衡，如何填補自動駕駛數據標注供需鴻溝?
2022年，國內自動駕駛商業化進程迎來新的發展篇章。
相關統計數據顯示，今年一月份，國內新車前裝標配搭載L2級輔助駕駛系統上險量為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，發放測試牌照900余張。8月1日，《深圳經濟特區智能網聯汽車管理條例》正式生效，深圳作為先行示范區，完全自動駕駛汽車自此可合法上路。
可以說，自動駕駛產業在商業化方面交出了一份相當不錯的答卷，此前預估的萬億產業規模正被市場逐步兌現。
而伴隨著汽車產業智能化發展路徑的逐漸明晰，市場需求也在倒逼自動駕駛公司進一步提升技術水準以及為消費者提供更優質的駕駛體驗，在推進L3、L4級自動駕駛技術落地的路上，仍有眾多問題亟待解決。
指數級增長的數據需求
自動駕駛技術屬于人工智能的一個重要分支。
現階段，實現人工智能主要以機器學習，尤其是深度學習方式為主。在實際應用中，無論是采用有監督學習模式，亦或是半監督學習模式，對標注數據均有強依賴性需求。
對場景積累度與感知能力要求更高的自動駕駛技術對數據的依賴度也更高。當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，感知算法的訓練與調優都離不開大規模的路測數據。
這些路測數據規模有多大，需要多少才能滿足完全自動駕駛的需求，蘭德公司對此的預估是，自動駕駛汽車需要在真實或者虛擬環境中至少進行177億公里的測試，不斷利用新數據調優算法，才能證明自動駕駛系統比人類駕駛員更可靠。
假設車隊規模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模。當車隊規模達到1000輛時，時間周期可以縮短至50年，而當車隊規模擴充至10000輛時，只需5年就可以完成所有的路測，并采集到相關的數據。
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，單純擴充車隊規模并不足以解決自動駕駛技術調優問題。
問題的根源在于如何處理這些路況數據。
基于深度學習算法的自動駕駛技術，繞不過數據的標注和訓練。采集得到的路況數據均為非結構化數據集，這些原始數據集未經處理是無法直接用于算法的訓練與調優。
開放路段下的自動駕駛汽車對于感知系統的實時性與安全性要求極高，與之相對應，相關算法的準確度與場景適應度也需要達到一個很高的水準，這就對數據標注的規模與數據產出質量提出了更高的要求。
換言之，自動駕駛技術進步帶動了規模龐大的數據標注需求。但數據標注行業量產能力是否跟得上自動駕駛行業快速擴充的步伐呢?
答案是沒有。
線性增長的數據供給
與指數型增長的自動駕駛數據標注需求相比，則是線性增長的數據供給。
數據標注行業發展早期，行業準入門檻較低，數據處理場景較為簡單，算法模型尚處于實驗室驗證階段，往往簡單的標注工具+少量的數據即可滿足需求。
但如此得來的算法模型過于基礎，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計復雜度；另一種則是以數據迭代為中心，通過投喂海量數據以提升算法的性能。
從實踐結果上來看，第二種方式更具優勢，且被大規模采用。
提高算法模型的設計復雜度本質上依然離不開數據投喂，且針對特定場景設計算法仍舊需要特定的數據。
從算法發展路徑來看，通用場景的泛化算法已經基本成熟，大多數新算法是在老算法的基礎上發展而來。目前，一些成熟且得到大范圍應用的算法模型架構在很多年前已經基本確定，后續算法迭代則主要以數據為主。
在實際應用去解決問題時，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。算法架構與技術路徑并無問題，場景不同，需要處理的數據也就不同。
以自動駕駛場景為例，目前自動駕駛感知算法技術架構已經基本成熟，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，因此商業化發展之路較為順暢，已進入實質商業化運營階段。
而開放道路下所需要處理的場景過于復雜，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據量也呈指數型快速增長。
但數據標注行業長久以來粗放的執行方式以及依賴簡單標注工具的業務執行方式，卻無法在供給端快速滿足市場的爆發性需求。
尤其隨著自動駕駛3D點云數據的應用與普及，點云數據處理對數據供應商的產品力以及交付能力提出了更高的要求，傳統SLG(銷售驅動增長)重銷售輕產品的模式在數據標注量產能力方面逐漸暴露弊端，數據標注行業供給側與需求側之間的鴻溝愈發被拉大。
供需平衡的關鍵
創新與變革是提升生產力的關鍵，數據標注行業亦然。
數據處理難度與處理規模的提升對產品力提出了更高的要求，傳統以銷售為核心驅動力的業務模式并不能構建起深度護城河，效率提升與成本降低的關鍵是技術創新與執行方式的變革。
作為行業領先的數據服務企業，曼孚科技長期聚焦自動駕駛行業，并對自動駕駛數據標注擁有自己的理解。
相較于SLG模式業務增長需要堆積人力的方式，曼孚科技回歸科技創新本質，以PLG(產品驅動增長)模式代替SLG模式，重視塑造產品力，構建技術護城河。
產品方面，曼孚科技推出了第三代數據服務平臺——MindFlow SEED 數據服務平臺。相較于傳統標注工具，SEED定位平臺而非工具，原因在于SEED平臺在解決數據標注問題的同時，也很好地解決了數據生命周期管理問題。
MindFlow SEED數據服務平臺
借助AI算法驅動的自動標注，以及針對自動駕駛場景推出的布爾運算、融合點云車道線、自動關鍵幀等功能，MindFlow SEED 數據服務平臺在數據處理尤其是自動駕駛3D點云數據處理方面建立了深厚的技術壁壘，平均標注效率提升10倍以上，并在業內維持了較高的技術領先性。
AI自動標注
而在數據生命周期管理方面，MindFlow SEED數據服務平臺建立了一整套覆蓋非結構化數據接入至結構化數據導出的管理機制，功能涵蓋數據集管理、團隊人員管理、工作流管理、數據統計分析等模塊，流程周轉更流暢，有效節約管理成本并顯著提升業務執行效率。
可視化統計分析
與傳統依賴人力的業務執行方式不同，曼孚科技還更加注重自動化建設。通過提升RPA(自動化)水平，以平臺產品取代過往人力堆積的執行方式，業務執行規模不再與項目經理人數綁定，產能天花板問題得以有效突破。
憑借產品與執行方式上的創新變革，曼孚科技實現了自動駕駛數據標注的規?；慨a，從源頭端解決了AI應用場景持續拓展對于高質量多源異構數據的海量需求。
隨著自動駕駛商業化在更多場景實現落地應用，曼孚科技也將探索更多數據生產與處理的新方式，用高質量數據助力人工智能融合應用走深向實。
