以智能駕駛為例。與其他人工智能應用場景相比,智能駕駛的落地場景相對復雜,想要讓汽車本身的算法做到處理更多、更復雜的場景,背后就需要有海量的真實道路場景數(shù)據(jù)做支撐。然而,場景數(shù)據(jù)缺失、數(shù)據(jù)質量良莠不齊,以及數(shù)據(jù)隱私安全問題,成為智能駕駛領域AI數(shù)據(jù)面臨的幾大痛點。
“更好的數(shù)據(jù)意味著更好的決策”。讓汽車具備“智慧”,智能駕駛成為全球許多國家都在關注的一個重要課題。而在這一過程中,AI數(shù)據(jù)對于汽車智能駕駛而言至關重要,它是汽車變得更“聰明”的關鍵。自動駕駛真正商業(yè)化落地的關鍵之一,就是要通過人工智能算法處理更多更復雜的場景。
云測數(shù)據(jù)為了滿足智能駕駛領域不同場景的特殊需求,在業(yè)內首創(chuàng)了“數(shù)據(jù)場景實驗室”模式,通過還原多種智能駕駛細分場景,以解決特定場景下的數(shù)據(jù)缺失、質量良莠不齊等行業(yè)問題。一方面在場景下的定制化數(shù)據(jù)采集更加精準、數(shù)據(jù)質量更高,另一方面場景化數(shù)據(jù)也與智能駕駛需求端的匹配度更高,從而最大化將數(shù)據(jù)轉化為生產(chǎn)力。
通過剖析云測數(shù)據(jù)智能駕駛數(shù)據(jù)服務解決方案,我們可以簡單的將標注場景分為車內和車外。
在車內場景中,疲勞監(jiān)測、動作識別、場景光線等一切會在車內發(fā)生的場景,以及在車外環(huán)境中更復雜的障礙物、道路、天氣、地點、車道線、路標,以及一些長尾場景諸如闖紅燈車輛、橫穿馬路的行人、路邊違章停靠的車輛等所有可能會涉及的場景,都需要對應的如連續(xù)幀標注、2D圖像框選、圖像分割等不同的標注方式。
上述這些只是智能駕駛中涉及到攝像頭的數(shù)據(jù),多為圖片類數(shù)據(jù)的。由于對安全的嚴苛要求,當前的智能駕駛所需數(shù)據(jù)需求,正向著多模態(tài)的方向發(fā)展。所謂多模態(tài),即是對多維時間、空間、環(huán)境數(shù)據(jù)的感知與融合。
在汽車的感知部分不僅只有攝像頭,還有激光雷達、毫米波雷達、超聲波雷達等多種方式共同組成,而這些感知方式都需要對應的數(shù)據(jù)標注。
以激光雷達為例,高性能激光雷達可以實現(xiàn)200米范圍內,精度高達厘米級的3D場景掃描重現(xiàn)。它生成的3D點云數(shù)據(jù)通過標注后,可以助力自動駕駛模型的訓練。云測數(shù)據(jù)基于行業(yè)先進的標注工具和豐富的標注經(jīng)驗,對機動車、障礙物等目標物進行3D框選、對雷達圖進行語義分割,同時還可以對2D 3D多傳感器融合的數(shù)據(jù)進行同時標注,實現(xiàn)視覺和雷達的數(shù)據(jù)感知,幫助汽車更好的感知道路場景,為智能駕駛技術的發(fā)展保駕護航。
當前,不管是人工智能技術的研發(fā)以及應用領域的發(fā)展,“數(shù)據(jù)”都是一個不可或缺、位于重中之重的因素?？梢哉f,獲取還原與AI應用場景的純凈數(shù)據(jù),是是人工智能長期發(fā)展的重要保障,人工智能技術研發(fā)、訓練的關鍵。只有當AI應用獲取了更為準確、及時、一致的高質量數(shù)據(jù),才能提供更有效、有用、精準性高的智能化服務。相信在以云測數(shù)據(jù)為代表的深耕場景化數(shù)據(jù)采集、數(shù)據(jù)標注的人工智能數(shù)據(jù)服務商,將進一步實現(xiàn)人工智能數(shù)據(jù)服務質量的飛躍,助力人工智能產(chǎn)業(yè)的落地。
