您現在的位置：首頁 > 自動駕駛數據閉環：實現高階自動駕駛的必由之路
自動駕駛數據閉環：實現高階自動駕駛的必由之路
自動駕駛量產落地離不開車輛的“感知”、“決策”與“執行”。
隨著感知技術與計算平臺的逐漸成熟與趨同，影響高階自動駕駛落地的關鍵因素不再是解決常見的一般案例(common case)，而是解決“路口”問題，也即各類不常見但不斷出現的“長尾問題”。
作為一種模仿人類的科學，AI自動駕駛與人類認知世界的邏輯基本一致，想讓汽車更好地理解世界，就需要構建更精準的模型。但算法模型的建立并非一勞永逸，自動駕駛車輛在行駛過程中總會遇到各種陌生場景。
因此，如何對新場景數據進行大規模高效處理并快速優化算法模型，即成為自動駕駛技術迭代的關鍵。
換言之，構建基于數據驅動的自動駕駛數據閉環，讓數據實現高效流動，是實現高階自動駕駛的必由之路。
數據閉環不是一個新概念
數據閉環并非新概念，互聯網時代早期即有廣泛應用。
一個比較典型的例子即是各類軟件、APP的“用戶體驗改進計劃”。
用戶在初次打開一款軟件時，往往會彈出選項——是否加入用戶體驗改進計劃。點擊確定后，軟件就會收集用戶的使用信息。在出現崩潰、Bug等場景下，軟件還會彈出信息，詢問是否允許上傳本次崩潰信息以幫助改進，比如Windows出現的各種錯誤報告。
點擊提交后，軟件開發商的工程師們會分析錯誤報告，以找出出現崩潰、Bug的原因，進而修改代碼并在下次更新后予以解決。
用戶在使用過程中遇到的所有問題均可以通過此種方式解決，周而復始，不斷優化軟件性能與使用體驗，這就是一種傳統的數據閉環。
這個過程可以用下圖簡單概括：
以上過程中，用戶的使用數據是關鍵因素，它可以幫助工程師快速定位問題，并予以解決。
隨著技術的進步，傳統的數據閉環方式并沒有被時代所淘汰，在自動駕駛技術開發中仍被廣泛應用，但與以往又有些許不同。
自動駕駛時代的數據閉環
自動駕駛系統的研發與優化，與傳統軟件開發存在很多不同。
傳統軟件更多是在代碼端解決各類問題，但自動駕駛系統除代碼以外，還有更為關鍵的AI模型。代碼端的問題可以通過傳統的數據閉環方式予以解決，但模型端的調整則需要重新訓練或優化AI算法模型。
因此，自動駕駛數據閉環需要在傳統數據閉環方式上，引入一些新東西：
模型問題的解決流程可以進一步細化為：
而支持自動駕駛數據閉環實現周而復始、不斷向前的關鍵，也是新場景數據的不斷投喂。
數據之于自動駕駛的重要性正被重新審視，各大自動駕駛廠商紛紛推出自己的數據閉環方案。
Tesla：核心為Autopilot數據引擎框架。獲得數據后，先通過單元測試確認模型誤差，然后進行數據清洗與標注，最后完成模型訓練與部署。
目前Tesla已經積累了上百億英里的行駛數據，這些海量的真實路況數據，既是Tesla核心資產，同時也幫助Tesla實現了模型的快速迭代與升級，為率先搶占高級別的自動駕駛技術高地平添一大助力。
Waymo：相較于Tesla，Waymo引入了數據挖掘、主動學習、自動標注等模塊，但基本的框架相差無幾。獲得數據來源后，通過數據標注獲得數據真值，其中涉及到數據篩選、挖掘和主動學習，模型優化完成測試后，進行發布或部署。
其他自動駕駛公司還會在數據閉環中引入仿真、計算等功能模塊，但自動駕駛數據閉環通用基本框架可簡化為：
數據采集-數據標注-模型訓練-部署，如此周而循環往復。
數據高效流轉是關鍵
現實駕駛場景難以窮盡，極其復雜且不可預測，需要AI模型快速迭代升級。實現自動駕駛數據閉環的快速循環迭代，以滿足新場景模型適配問題，同時也需要各“長尾場景”數據的高效流轉。
模型訓練方面，目前AI算法模型已階段性基本成熟。在實際應用時，不同場景需要解決的問題不盡相同。這并非算法模型的問題，而是場景適配度的問題。自動駕駛AI模型后續調優主要以數據迭代為主，需要投喂海量新場景數據。
數據采集方面，依靠遍布車身的各類傳感器，車輛每小時采集的數據量可達數TB之多。然而采集得到數據為非結構化數據，這些未經處理的數據并不能直接用于模型訓練，標注后才能產生使用價值。
橫亙在數據與模型訓練之間的首要問題是如何高效處理海量數據集，真實數據規模已然成為智能駕駛行業的“命脈”。
然而與指數型增長的數據服務需求相比，無論數據處理效率亦或是數據產出質量均難以滿足市場需求。
產能方面，大部分數據服務商業務規模、執行效率與項目經理能力高度綁定，產能瓶頸問題凸顯；數據產出質量方面，以點云數據為代表的數據處理需求占比逐漸擴大，傳統依靠簡單工具和依賴人力的業務執行方式，也早已無法滿足垂直市場的需求。
自動駕駛實現規?；慨a，數據服務領域能否率先實現突破將成為關鍵。
AI驅動的數據閉環
作為行業領先的數據服務廠商，曼孚科技深知自動駕駛數據服務行業痛點。
相較于傳統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，重視產品力塑造，構建起高效的數據閉環，直擊數據產能與數據產出質量兩大核心痛點。
曼孚科技數據閉環方案以AI為主要驅動力，重視AI對數據標注的反哺作用，實現低成本量產高質量結構化數據；數據處理能力的提升為算法的訓練與調優提供充足燃料，優質算法既可再次反哺數據標注，也可在部署應用中源源不斷產出新數據，如此形成正向循環往復，實現高效迭代升級。
AI驅動的數據閉環
在自動駕駛數據標注方面，作為行業唯一聚焦自動駕駛賽道的數據智能平臺，MindFlow SEED平臺既支持2D圖像場景下的車道線、車輛行人、泊車、全景語義分割等類型標注，也同步支持3D點云場景下的車路協同、連續幀、點云融合、點云語義分割等標注類型。
在增效降本方面，平臺還創新性地引入自動化生命周期管理、AI增強等模塊，AI標注平均準確率可達90%以上，部分場景可實現完全AI標注量產。
AI標注
(注：根據訓練模型在已標注的測試集上進行預處理后通過IoU算法進行計算，IoU閾值在0.9以上算正確計算)。
憑借產品與流程上的創新變革，過往堆積人力的執行方式被平臺產品所取代，業務執行規模不再與項目經理人數綁定，從源頭端解決AI應用場景持續拓展對高質量多源異構數據的海量需求。
未來，曼孚科技將持續聚焦自動駕駛數據閉環構建，專注提升真實數據規模量產能力，為自動駕駛商業落地增添更多助力。
