“多模态”是指标注平台可以处理多种结构与类型的数据，而数据标注则是自动驾驶数据闭环中最关键的环节之一，提升对多模态高价值数据进行高效的自动化标注，并替代大部分低效的人工标注，才有可能构建真正的技术壁垒。
作为数据闭环解决方案商，觉非科技目前已自研自动化数据标注平台，用以提升数据标注的效率及标注的质量，同时通过大数据中心并在大模型加持下持续完善标注平台的能力，并降低标注成本。
基于觉非感知大模型所建立的自动标注与工具链体系，可将自动驾驶量产中的数据标注成本降低95%以上。觉非也正在将这套服务体系向行业开放使用，企业间的强强合作必将大幅降低行业使用数据的成本，提高数据质量。
规模日渐庞大的感知任务中，目标级别的标注任务在人力以及时间层面的消耗成为自动驾驶场景中急需解决的痛点。
在诸多传感器中，激光雷达有准确的深度信息，且不易受光照因素影响，而高线束的激光雷达检测距离远，因此数据采集车通常采用激光雷达来搭建真值系统。
觉非科技的多模态自动标注系统以激光雷达的点云为基础，抽取时空特征，生成检测框与轨迹，作为预标注结果。
而这其中“4D检测”便是最基础且最重要的一个环节。4D检测融合了3D空间与时间维度的检测任务，其重要基础是里程计的有效构建，觉非通过自身高精度的定位系统以及稳定的运动补偿系统完善建图体系，从而确保检测模型的预刷精度。
当里程计完成了精度校准，便可进行离线检测模型的搭建。所谓离线检测，指的是不仅可以使用过去帧，还能加入未来帧的信息。于是，基于“过去、当下、未来”完善的时间序列与精准的点云信息，就可以构建出一个闭环的4D世界，离线检测模型直接将4D环境作为输入，借用经典的点云检测算法，便可完成4D环境的目标感知，输出初步检测结果。
Fig.2 激光雷达里程计
在实际作业中，离线检测模型已经可以生成一个较为准确的结果，但是在自动驾驶的标注体系中，任务核心已不再是“框”，而是“轨迹”。所以在拿到检测模型后，首先需要跟踪器进行ID赋值与轨迹平滑，得到每个目标的运动轨迹，然后使用专用优化网络再对轨迹进行最终的调优。
值得注意的是，同样是输出目标框，觉非的轨迹优化模型不同于第一步使用的检测模型，其输入不再是以帧为中心的数据，而是以Box为中心的目标运动历史。
以激光雷达为中心的真值结果通常是一项感知任务的起点，以视觉模型的需求为例，通常还要删除图像中不可见的元素，这其中就需要2D结果与3D结果的交叉验证，滤除不必要的标注框进而减少FP。
在自动标注体系搭建初期与实际大规模量产中，仅有预刷模型并不能进行完善的支撑，依然需要少部分的人工介入。此时，一套完善的工具链能最大程度的节省人工干预成本。
基于自动标注的模型预刷以及人工介入的时机，设计一套云端标注校验工具链是数据闭环中必不可少的环节。
觉非科技的多模态自动标注工具链在预标注算法推理后，工具链可进行自动质检，将不合格的数据发到人工修改，而后再次进行质检，直到达标，并发版给模型进行训练。这样的方式可大幅度提升复核效率，同时还可以加入统计量化指标，进一步提升标注准确度。
自动驾驶标注从2D走向4D,对预标注模型的能力和标注人员的素质都提出了更高的要求，标注的自动化程度、效率和成本已成为数据闭环能力的重要考量因素之一。
觉非科技将凭借智能化标注工具的开发与人工管理的经验，不断为产业贡献性价比更优质的方案，同时也将向云端工具链以及标注管理系统等方向持续优化，为未来数据标注的标准化打下稳固的基础。
觉非科技是国内领先的自动驾驶感知决策算法与数据服务商，以“多传感器融合计算”为核心技术路线，围绕乘用车出行、干线物流和城市末端三大应用场景，提供跨场景、跨平台、跨终端的智能驾驶解决方案，实现了国内产业领域中少有的“三跨”服务能力。觉非的融合感知系统目前已覆盖车端与路端，构建了适用于全栈自动驾驶的具备“感知-决策-数据”闭环能力的量产方案，以“数据驱动量产化”为核心业务目标，为合作伙伴实现自动驾驶闭环能力。
