为什么 ADAS 注释与标准视频注释有明显不同
高级驾驶员辅助系统 (ADAS) 和自动驾驶车辆程序需要与一般视频注释共享表面特征的注释（两者都涉及在连续帧中标记对象），但在对程序设计和供应商选择至关重要的方式上有所不同。
最重要的区别是注释错误的安全后果。内容审核训练数据集中错误分类的对象会产生稍差的审核决策。 ADAS 训练数据集中错误分类的行人会导致系统无法制动。这不是一个假设：对现实世界的 AV 事件的调查一再发现训练数据质量是系统故障的一个促成因素。
实际意义在于，ADAS 注释程序需要准确度目标（对于安全关键对象类，精度为 99.5% 以上）、QA 流程（多层专家评审，而不仅仅是抽样）和供应商资格（团队连续性、传感器专业知识、边缘情况协议），这些对于一般注释程序来说是不合适的，而且如果在任何地方应用，其成本也极其昂贵。
传感器类型以及每种传感器需要什么注释
现代 ADAS 系统同时融合来自多种传感器模式的数据。注释必须覆盖所有传感器输出，并为每个输出提供适当的标签类型，并且跨传感器的注释必须在时间和空间上对齐——这一要求大大增加了单模态标签的复杂性。
- 相机 (RGB)：2D 边界框、2D 折线（车道标记、道路边缘）、语义分割（像素级场景解析）、光流（运动估计）。相机标注量最大、最成熟。
- LiDAR（点云）：3D 边界长方体、用于时间一致性的轨道 ID、地平面分割、点级语义标记。 LiDAR 注释需要专业工具和注释器 - 它无法在标准 2D 注释平台中执行。
- 雷达：目标检测标注（距离、速度、角度）、航迹关联、虚警标注。雷达注释通常体积较小，但需要一般注释器所缺乏的信号处理上下文。
- 超声波：邻近区域标注、障碍物距离标注。更简单的注释类型，但必须与其他传感器注释暂时同步。
- 传感器融合注释：最复杂的任务 - 将多个传感器的检测跨时间关联到同一物理对象。需要在统一 3D 视图中显示多传感器数据的注释工具以及经过空间对齐概念培训的注释器。
ADAS 的五个最大注释瓶颈
ADAS 程序始终遇到相同的注释瓶颈。在开始之前了解它们可以避免最昂贵的项目中期重新设计。
- 时间一致性失败：同一物理对象应在视频序列中的每一帧上携带相同的轨道 ID。当注释者独立地标记帧而不是通过序列跟踪对象时，轨道 ID 就会中断。在后期注释中修复损坏的轨道比第一次正确注释更慢且更昂贵。
- 传感器同步失调：来自同一车辆运行的摄像头和激光雷达数据并不总是完全时间同步。简单的注释工具将它们视为同时的。在高速公路上，50 毫秒的同步偏移会产生几米的空间错位，足以创建系统性错误标记的训练示例。
- 罕见对象类别代表性不足：ADAS 模型在罕见场景（夜间紧急车辆、高速公路上的道路碎片、具有非标准车道标记的建筑区域）中失败率过高。标准注释程序按照数据中的自然频率来标记稀有类别，这对于模型来说太罕见，无法可靠地学习它们。稀有类程序必须单独设计。
- 不利条件数据稀缺：大多数注释数据集都非常注重晴天、光线充足、干燥的道路驾驶。夜晚、雨、雪、雾和眩光条件的代表性不足。针对不利条件的注释程序需要由对这些条件下的传感器行为经验丰富的注释者进行专门的收集和单独的质量审查。
- 边缘案例分类分歧：什么构成购物车中的行人、静止的摩托车手或玻璃公交车候车亭内的人？如果没有与领域专家一起开发明确的边缘案例指南，注释者会不一致地应用个人判断，并且由此产生的标签噪声会降低模型在最重要的场景中的性能。
精度要求：为什么 95% 对于 ADAS 来说是不够的
标准注释质量目标（95-98% 准确度）适用于大多数商业注释用例。它们不足以满足安全关键型 ADAS 应用的需要，并且使用它们会产生错误的安全感。
考虑一下数学：行人检测注释的错误率为 5%，意味着训练数据中每 100 个行人实例中有 5 个被错误标记。如果这 5 个实例在数据中随机分布，模型就会学会容忍一定的行人失误率。如果这 5 个实例集中在特定场景中（夜间穿深色衣服的行人、部分遮挡的行人、处于不寻常角度的行人），则模型将学习针对这些情况的系统故障模式。
ADAS 注释程序应按对象类别设定准确度阈值，其中安全关键类别（行人、骑自行车者、其他车辆）需要 99.5% 以上的准确度，安全关键类别（交通标志、道路标记、环境特征）则需要 98% 以上的准确度。这些阈值需要通过领域专家最终审查进行多遍 QA，而不是基于抽样的 QA。
评估 ADAS 注释供应商：真正重要的是什么
大多数 ADAS 注释供应商评估都侧重于工具功能和每小时定价。两者都是必要的，但都不够。实际预测 ADAS 注释程序成功的因素在演示中更难评估，但通过参考检查进行验证更简单。
- 团队连续性：ADAS 注释质量与注释者经验相结合。注释过 1000 万帧 ADAS 数据的团队所犯的错误比刚刚开始的团队要少，因为他们已经内化了指南无法完全枚举的边缘情况模式。向供应商询问注释者的任期数据，而不仅仅是团队规模。
- 传感器融合专业知识：请求在供应商的实际工具中使用您的数据类型演示激光雷达相机融合注释。许多声称具有多传感器功能的供应商都拥有仅使用相机注释的经验，但在 3D 点云或传感器融合任务方面的经验有限。
- 边缘情况升级流程：供应商如何处理与任何指南示例不匹配的注释情况？答案揭示了他们的质量流程是否真正健全或只是文档剧场。
- 时间一致性指标：从供应商之前的 ADAS 项目中获取帧间轨迹一致性指标，而不仅仅是每帧的准确性。无法提供这些数字的供应商无法系统地测量时间一致性。
- 地理和条件分布：要求查看供应商之前的 ADAS 注释程序的数据分布（一天中的时间、天气、地理、物体密度）。这揭示了他们是否对与您的部署环境相关的特定条件具有真正的经验。
亚太地区的 ADAS 注释：具体考虑因素
针对东南亚市场部署的 ADAS 项目面临着与西方市场 ADAS 项目不同的注释挑战。河内、雅加达或曼谷的交通动态、道路基础设施和对象类别与慕尼黑、旧金山或东京确实不同。
摩托车和踏板车是大多数亚太城市环境中的主要车辆类型，而不是乘用车。标准西方 ADAS 注释分类通常只有一个“摩托车”类别；亚太地区的计划可能需要区分摩托车、电动滑板车、带有大型货架的送餐自行车和嘟嘟车。这些区别对于检测模型设计和注释指南的特异性都很重要。
在电动汽车制造商向东南亚市场扩张以及国内原始设备制造商为当地市场开发支持 ADAS 的车辆的推动下，亚太地区汽车原始设备制造商和一级供应商注释项目的集中度正在不断提高。越南的注释团队真正熟悉亚太地区的交通环境，在这项工作中比西方市场供应商具有特定的优势。
DataX Power's annotation team handles ADAS sensor fusion annotation – camera bounding boxes, LiDAR point cloud labeling, and radar overlay – with annotators trained on APAC traffic environments including Vietnamese and Southeast Asian road conditions.
Explore DataX Power's ADAS and autonomous vehicle annotation services
