自動駕駛技術(shù)路徑的每一次技術(shù)轉(zhuǎn)向，都伴隨著底層數(shù)據(jù)處理邏輯的徹底重構(gòu)。過去，智駕系統(tǒng)普遍依賴模塊化設(shè)計，將駕駛?cè)蝿?wù)拆解為感知、預(yù)測、規(guī)控等獨立環(huán)節(jié)；而今，以端到端技術(shù)為核心的新路徑正迅速崛起，試圖通過一個統(tǒng)一的神經(jīng)網(wǎng)絡(luò)直接完成從傳感器輸入到駕駛指令輸出的全過程。這種架構(gòu)上的根本差異，也對數(shù)據(jù)標(biāo)注提出了不同的要求。

模塊化與端到端的區(qū)別，圖片源自：網(wǎng)絡(luò)

模塊化技術(shù)路徑，以環(huán)境理解為核心的微觀標(biāo)注

在自動駕駛模塊化架構(gòu)中，感知模塊相當(dāng)于車輛的眼睛，其核心任務(wù)是盡可能精確地識別并定位周圍環(huán)境中的每一個元素。這種“分而治之”的思路決定了模塊化路徑下的數(shù)據(jù)標(biāo)注必須走極端精細化的微觀路線。標(biāo)注員需要對攝像頭圖像、激光雷達點云等傳感器數(shù)據(jù)進行高強度的手工處理，為每一個物體打上極其詳盡的標(biāo)簽。

在模塊化體系的感知環(huán)節(jié)，標(biāo)注的主要對象是各類障礙物和靜態(tài)交通設(shè)施。針對攝像頭產(chǎn)生的二維圖像，標(biāo)注員需要繪制數(shù)以百萬計的矩形框（Bounding Box）來標(biāo)定車輛、行人、騎行者等目標(biāo)。為了應(yīng)對更復(fù)雜的任務(wù)，還需要進行多邊形標(biāo)注或像素級的語義分割。

這意味著標(biāo)注員必須耐心地勾勒出每一個路沿、每一條車道線、每一個紅綠燈的邊緣。這種標(biāo)注要求的準(zhǔn)確度極高，因為感知結(jié)果會被直接轉(zhuǎn)化為坐標(biāo)和分類標(biāo)簽，作為后續(xù)規(guī)控模塊的輸入。在模塊化架構(gòu)中，各模塊之間存在著嚴(yán)重的錯誤傳遞效應(yīng)，感知模塊如果在距離判斷上出現(xiàn)幾厘米的偏差，傳導(dǎo)至規(guī)劃環(huán)節(jié)就可能觸發(fā)一次完全沒必要的緊急制動。

除了圖像標(biāo)注，模塊化路徑對三維點云標(biāo)注的需求同樣苛刻。激光雷達采集到的點云數(shù)據(jù)往往是稀疏且缺乏語義信息的，標(biāo)注員需要通過三維框在立體的點云空間中圈定物體，并標(biāo)注其長、寬、高以及航向角。這種高維度的標(biāo)注不僅成本高昂，對標(biāo)注員的專業(yè)要求也極高。為了給基于規(guī)則的規(guī)劃邏輯提供支撐，標(biāo)注員還需要標(biāo)記物體的屬性信息，如車輛的剎車燈是否亮起、轉(zhuǎn)向燈的狀態(tài)等，甚至是行人的性別和年齡段都需要標(biāo)注，因為傳統(tǒng)的“If-Then”硬編碼規(guī)則需要這些離散的屬性值作為判斷條件。

模塊化架構(gòu)下的標(biāo)注工作量不僅體現(xiàn)在精細度上，更體現(xiàn)在任務(wù)的碎片化中。像是交通信號燈識別、限速牌檢測、路面坑洼檢測等每一個細分算法，都需要建立獨立的、具有針對性的數(shù)據(jù)集。這種“專數(shù)專用”的模式雖然便于調(diào)試和定位問題，但也會導(dǎo)致信息的高度損耗。當(dāng)傳感器采集到的海量原始數(shù)據(jù)被壓縮成幾個坐標(biāo)和標(biāo)簽后，大部分環(huán)境語義信息就會因此丟失，規(guī)控模塊無法感知到那些未被標(biāo)注的細微環(huán)境變化。由于工程師無法窮舉并標(biāo)注出所有可能影響駕駛決策的邊緣案例，這種標(biāo)注模式在處理長尾場景時表現(xiàn)出極大的局限性。

端到端技術(shù)路徑，以駕駛行為為導(dǎo)向的宏觀標(biāo)注

端到端技術(shù)的興起，標(biāo)志著自動駕駛從“環(huán)境重構(gòu)”轉(zhuǎn)向了“行為克隆”。在這一路徑下，自動駕駛系統(tǒng)不再試圖通過中間模塊去理解每一個物體的幾何屬性，而是直接學(xué)習(xí)從傳感器信號到駕駛動作的映射關(guān)系。對此，端到端的數(shù)據(jù)標(biāo)注要求也發(fā)生了翻天覆地的變化，標(biāo)注的重心從“屏幕上的框線”轉(zhuǎn)移到了“司機的腳和手”。

在端到端架構(gòu)（尤其是以模仿學(xué)習(xí)為核心的方案）中，最核心的標(biāo)簽是人類專家的駕駛軌跡和控制信號。這些數(shù)據(jù)包括方向盤轉(zhuǎn)角、加速踏板深度、剎車壓力以及車輛在三維空間中的實時坐標(biāo)軌跡，數(shù)據(jù)直接來源于車輛的CAN總線。這種標(biāo)注在某種程度上是“自動化”的，因為駕駛數(shù)據(jù)本身就攜帶了司機的反應(yīng)。當(dāng)然，端到端架構(gòu)對這些行為標(biāo)簽的質(zhì)量也提出了極高的要求。它需要的不是隨便一段駕駛記錄，而是要“金牌司機”的高質(zhì)量示范。

這種轉(zhuǎn)變意味著，數(shù)據(jù)標(biāo)注員的角色正在從“畫圖工人”向“數(shù)據(jù)策展人”的方向轉(zhuǎn)變。他們不再需要精細地標(biāo)注路上的每一個行人，而是需要分析復(fù)雜的交通場景，判斷司機的某次超車動作是否果斷且安全，是否具有被機器模仿的價值。

端到端路徑的訓(xùn)練信號是全局性的，它要求標(biāo)注數(shù)據(jù)具有極高的場景多樣性。為了讓系統(tǒng)學(xué)會應(yīng)對各種極端情況，標(biāo)注團隊必須刻意去收集和標(biāo)記如復(fù)雜的施工區(qū)域、無保護的左轉(zhuǎn)路口、甚至是不守規(guī)矩的行人和外賣車等罕見的場景。在這些場景中，標(biāo)注的不再是物體的位置，而是人類在面對這些復(fù)雜局面時如何通過微小的動作來表達駕駛的意圖。

雖然端到端系統(tǒng)存在“黑盒”現(xiàn)象，但集成式端到端模型（如UniAD）在內(nèi)部依然保留了感知任務(wù)的影子，用于輔助最終的規(guī)劃決策。雖然如此，這里的感知標(biāo)注要求也與傳統(tǒng)模塊化路徑有著本質(zhì)不同。在UniAD這類模型中，中間環(huán)節(jié)的檢測、跟蹤和建圖標(biāo)注是“目標(biāo)導(dǎo)向”的。這意味著，感知標(biāo)注不再是為了追求極致的檢測準(zhǔn)確率，而是為了給最終的路徑規(guī)劃提供最有價值的語義支持。這種設(shè)計允許感知任務(wù)在標(biāo)注上存在一定的冗余，系統(tǒng)在全局優(yōu)化過程中會學(xué)習(xí)到哪些環(huán)境特征對安全駕駛至關(guān)重要，從而自動補償感知的局部偏差。

模塊化與端到端數(shù)據(jù)標(biāo)注各維度差異

端到端路徑還引出了對“因果標(biāo)注”的新需求。僅僅記錄司機的動作是不夠的，系統(tǒng)還需要知道司機為什么要做出這個動作。例如，在一張包含紅綠燈和前車的畫面中，如果車輛停了下來，標(biāo)注信息需要明確區(qū)分是因為紅燈還是因為前車剎車。這種帶有邏輯鏈條的標(biāo)注，使得系統(tǒng)不僅在模仿人類的動作，更在學(xué)習(xí)人類的決策邏輯。VLA模型（視覺-語言-動作模型）就引入了此類結(jié)構(gòu)化標(biāo)注，將駕駛決策與環(huán)境中的關(guān)鍵因果因素掛鉤，從而提升模型的可解釋性和泛化能力。

4D自動標(biāo)注與世界模型，數(shù)據(jù)生產(chǎn)效率的質(zhì)變

當(dāng)自動駕駛數(shù)據(jù)量從TB級躍升至PB級時，傳統(tǒng)的人工標(biāo)注模式已經(jīng)不再適用。端到端路徑的進化極度依賴海量數(shù)據(jù)，這直接催生了以4D自動標(biāo)注和世界模型為代表的數(shù)據(jù)生產(chǎn)方式。這種方式不再是對單幀圖像的修修補補，而是對整個物理世界的動態(tài)重建。

4D自動標(biāo)注的核心在于“跨時空的信息融合”。通過融合一輛車甚至多輛車在不同時間經(jīng)過同一路段的傳感器數(shù)據(jù)，系統(tǒng)可以構(gòu)建出一個包含時間維度的、高精度的三維世界模型（即4D模型）。在這個模型中，靜態(tài)的道路設(shè)施（如路燈、馬路牙子）可以在多次觀測中被精確標(biāo)定。對于動態(tài)物體，系統(tǒng)可以利用時序信息進行前向和后向的推算，解決遮擋問題。舉個例子，當(dāng)一個行人在畫面中消失了兩秒鐘，傳統(tǒng)標(biāo)注可能就丟失了其身份，但4D自動標(biāo)注系統(tǒng)能通過軌跡一致性自動補齊這一段“標(biāo)簽”，確保模型學(xué)到連貫的物理常識。

這種自動標(biāo)注技術(shù)不僅提高了效率，更改變了標(biāo)注的形態(tài)。在端到端時代，標(biāo)注不再是“給人看的圖”，而是“給模型訓(xùn)練用的特征空間”。像是占用網(wǎng)絡(luò)（Occupancy Network）的標(biāo)注要求將空間劃分為無數(shù)個細小的方格（Voxel），并標(biāo)定每個方格在未來一段時間內(nèi)是否會被占據(jù)。這種海量的三維空間標(biāo)注是人工無法完成的，必須依賴強大的離線大模型通過傳感器融合自動生成。通過這種方式，標(biāo)注工作從“畫線”變成了“維護離線大模型”，人類標(biāo)注員的任務(wù)轉(zhuǎn)變?yōu)轵炞C和修正自動生成的標(biāo)簽，特別是處理那些離線模型也感到困惑的邊緣案例場景。

世界模型的引入進一步拓寬了標(biāo)注的邊界。世界模型通過自監(jiān)督學(xué)習(xí)的方式，學(xué)習(xí)預(yù)測未來幾秒鐘的環(huán)境演變。在這種模式下，未來的真實傳感器數(shù)據(jù)本身就成了當(dāng)下的標(biāo)簽。自動駕駛系統(tǒng)通過“預(yù)測未來”并與“真實發(fā)生的未來”進行比對，不斷修正自己的內(nèi)部表征。這種無需人工干預(yù)的標(biāo)注閉環(huán)，使得端到端模型能夠從數(shù)百萬小時的自然駕駛錄像中汲取營養(yǎng)。這種標(biāo)注要求不僅包含對物體位置的感知，更包含了對物理運動規(guī)律的深刻理解，像是球滾出來之后大概率會有孩子跟上，或者在雨天路面摩擦力會下降等就屬于這種標(biāo)注。

這種效率的飛躍對研發(fā)流程的影響是顛覆性的。在模塊化時代，工程師需要花費80%的時間編寫代碼邏輯和調(diào)試Bug；而在端到端時代，工程師的主要精力轉(zhuǎn)移到了“數(shù)據(jù)策展”上。他們需要設(shè)計精巧的數(shù)據(jù)引擎，利用影子模式（Shadow Mode）在實時篩選那些模型做錯、而人做對的時刻。這些時刻被視為最寶貴的訓(xùn)練信號，接著再將這些時刻通過自動化的標(biāo)注管道轉(zhuǎn)化為新的訓(xùn)練數(shù)據(jù)，推動模型版本更迭。這種以數(shù)據(jù)為中心的閉環(huán)，使得自動駕駛系統(tǒng)的進化速度不再受限于人類程序員的思維極限，而是受限于標(biāo)注管道的自動化程度和數(shù)據(jù)的多樣性。

最后的話

自動駕駛從模塊化向端到端的演進，徹底重塑了數(shù)據(jù)標(biāo)注的要求。模塊化技術(shù)路徑對標(biāo)注的要求是“向內(nèi)求精”，強調(diào)對環(huán)境細節(jié)的微觀理解和極高的幾何精度，目的是為人工編寫的邏輯規(guī)則提供確定的輸入。而端到端技術(shù)路徑對標(biāo)注的要求則是“向外求博”，強調(diào)對人類駕駛策略的宏觀克隆和對因果邏輯的深度理解，目的是通過海量樣本喂養(yǎng)出一個具備物理直覺的神經(jīng)網(wǎng)絡(luò)。

這一轉(zhuǎn)變不僅是技術(shù)上的更新，更是生產(chǎn)力結(jié)構(gòu)的調(diào)整。數(shù)據(jù)標(biāo)注正從勞動密集型轉(zhuǎn)向模型驅(qū)動的自動生成與人工邏輯校驗相結(jié)合的新模式。未來的標(biāo)注體系將不再孤立地處理每一張圖片，而是通過4D重建、世界模型和自監(jiān)督學(xué)習(xí)，構(gòu)建起一個對物理規(guī)律有深刻理解的模擬空間。隨著端到端模型的參數(shù)規(guī)模和訓(xùn)練數(shù)據(jù)量持續(xù)突破，高質(zhì)量的行為軌跡標(biāo)注、復(fù)雜的場景語義標(biāo)簽以及帶有因果關(guān)系的推理痕跡，將成為推動自動駕駛跨越長尾場景、實現(xiàn)真正智能化的核心燃料。

-- END --

       原文標(biāo)題 : 端到端與模塊化自動駕駛的數(shù)據(jù)標(biāo)注要求有何不同？