自动驾驶数据标注是所有信息都要标注吗？

[首发于智驾最前沿微信公众号]数据标注对于自动驾驶来说，就像是老师教小朋友知识，数据标注可以让车辆学习辨别道路交通信息的能力。摄像头、雷达、激光雷达（LiDAR）拍下来的只是一堆原始信号，这些信号本身只是像素和点云。标注的工作就是人为地给这些信号贴上语义标签，告诉模型这是一辆车、这是行人、这是车道线、这个区域不能通行之类的明确信息。没有这些标签，监督学习、验证和评估都无法进行，模型不知道哪些输入与哪些输出应该对应，训练出的模型也会很脆弱、不可解释。

图片源自：网络

之所以说数据标注非常重要，是因为标注直接决定了感知、预测和规划模块能学到什么。高质量、针对性的标注可以让模型在关键场景表现更稳；相反，标签错、漏、定义不一致，就会导致模型在真实路况中出问题，安全风险直接上升。标注还会影响迭代速度和成本，如果标注成本高且慢，就会拖慢模型从数据到上线的闭环，影响产品进步速度。

是否所有信息都要标注？

既然数据标注这么重要，那是不是在标注过程中，能标则标，且要尽可能多的标？实际上，过度标注不仅浪费钱也浪费时间。有效的标注策略需要基于最终的系统需求和用例来取舍。

图片源自：网络

如果某类标签不会被模型使用，或者不会影响决策，就没必要细致标注。举个例子，如果目标是实现城市道路中的基础车道级别定位，就不需要把远处路旁的广告牌、树木的每一根枝条细分都进行标注；但是行人、骑行者、其他机动车、交通灯、车道线这些直接关系到行驶安全的对象就必须高质量标注。

标注过程中还要看标注对象的稀有性与重要性。有些对象虽然罕见，但只要出现就会带来极高风险，像是推车的婴儿车、倒地的电动车、突然横穿马路的儿童、施工区域的临时路障等就属于这类对象。这类“长尾”对象虽然样本少，但优先级更高，需要专门花工夫去搜集并标注。

像语义分割那类逐像素的标注，不仅耗时且成本更高。如果我们当前的模型只需要粗略的可通行空间边界或车道线位置，完全精细的逐像素标注可以用更廉价的多边形或线状标注替代，后续再在必要时补充高精度数据。

对于数据标注来说，训练集与验证/测试集的标注标准可以不同。训练数据可以允许一定比例的噪声、快捷标注方法和自动化预标注，但验证和测试集的标注必须是高度一致且严格的，只有这样，评估才可靠。

哪些内容更值得标注？

既然并不是所有信息都需要标注，那对于自动驾驶来说，哪些标签是“必标”的？哪些只需要根据条件进行标注？

图片源自：网络

对于自动驾驶汽车来说，核心感知对象的标注必须是高质量的，机动车、非机动车、行人、交通灯、交通标志、车道线、静态障碍物（护栏、石墩）这些直接影响即时决策的信息，要做到明确的类别定义、精确的空间框（2D或3D）和清晰的遮挡/可见性标注。尤其是对于行人，除了要标注类别外，还要标注姿态（站立、行走、蹲下）和是否携带物品（推车、手提物）等，因为这些信息会影响模型的行为预测。

单帧识别固然重要，但车辆想知道物体的运动轨迹、速度和加速度趋势，动态追踪与时序标签更是关键。标注轨迹ID、时序边界、目标出现与消失的时刻，对训练多目标跟踪（MOT）和预测模块至关重要。特别是在交叉口、并线、减速跟随这类需要预测他人行为的场景，时序数据能显著提升系统表现。

高精度的三维信息对定位和避障非常有用，LiDAR点云的点级别分类、3D包围盒、物体朝向和尺寸标注，是构建可靠三维感知的基础。尤其是在夜间或弱光环境下，激光雷达可为系统提供稳定的距离信息，配合图像标注可以提高检测鲁棒性。

车道与可行驶区域的语义标注也必须重视，明确车道边界、车道类型、虚线/实线、交叉口区域、匝道、慢车道等标注，能够帮助高精地图生成与局部行为决策。像是路缘石、盲道砖、停车位等静态地图元素，在某些应用场景下是非常必要的标签。

长尾与异常场景需要制定单独的标注策略，像是施工场景、事故现场、异常天气（大雪、暴雨、雾霾）、道路受损、临时交通管制、违停车辆、紧急救援车辆出现等场景，虽然出现频率低，但对安全影响大。建议用专门的样本池和标注流程，把这些数据优先纳入训练或用于强化模型在稀有场景下的表现。

图片源自：网络

对于自动驾驶来说，行为与意图层面的标注价值也在上升。自动驾驶汽车除了要学习“这是什么”，还要学习“它要做什么”。像是标注车辆的并线意图、行人的过街意图、骑车人的加速/减速意图，这些标签对预测模块非常有用。行为标签往往需要结合上下文和时序，标注更费时也更主观，但回报很高。

环境与天气标签也不可忽视，每一帧的光照条件、能见度、路面状况（湿滑、结冰）、是否有积雪、是否处于黄昏/夜间等信息，都应作为元标签保存，这样能帮助模型做域自适应、并让工程师更快找到模型弱点。

地图和高精定位相关的标注要与HD地图结合，标注路口拓扑、车道连接关系、交通灯控制逻辑等信息，可用于规则基的行为决策与混合策略系统。高精地图的制作本身就是一种标注活动，只不过尺度更大、需求更精细。

除了感知之外，数据质量与元信息的标注也值得投入。设备故障、同步问题、畸变或遮挡等元数据标注能帮助后续数据清洗与模型鲁棒性提升。很多看似能力很差的模型可能只是没有这些元标签的原因导致的。

最后的话

对于自动驾驶来说，标注并不是一次性的“下游工作”，而是产品能力的核心组成部分。标注并不是简单的劳动密集型支出，而是自动驾驶环节中非常重要的一环，将决定自动驾驶汽车的驾驶行为。

对于数据标注，一定要明确两点，一是标注要与需求对齐，先做关键的、影响安全和决策的标签；二是在资源有限时，要把钱和人工花在能迅速改善模型弱点的地方。只有这样，标注才能成为推动自动驾驶技术成熟的稳健引擎。