[首發于智駕最前沿微信公眾號]自動駕駛技術路徑的每一次技術轉向，都伴隨著底層數據處理邏輯的徹底重構。過去，智駕系統普遍依賴模塊化設計，將駕駛任務拆解為感知、預測、規控等獨立環節；而今，以端到端技術為核心的新路徑正迅速崛起，試圖通過一個統一的神經網絡直接完成從傳感器輸入到駕駛指令輸出的全過程。這種架構上的根本差異，也對數據標注提出了不同的要求。

模塊化與端到端的區別，圖片源自：網絡

模塊化技術路徑，以環境理解為核心的微觀標注

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

在模塊化體系的感知環節，標注的主要對象是各類障礙物和靜態交通設施。針對攝像頭產生的二維圖像，標注員需要繪制數以百萬計的矩形框（Bounding Box）來標定車輛、行人、騎行者等目標。為了應對更復雜的任務，還需要進行多邊形標注或像素級的語義分割。

圖片源自：網絡

這意味著標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。這種標注要求的準確度極高，因為感知結果會被直接轉化為坐標和分類標簽，作為后續規控模塊的輸入。在模塊化架構中，各模塊之間存在著嚴重的錯誤傳遞效應，感知模塊如果在距離判斷上出現幾厘米的偏差，傳導至規劃環節就可能觸發一次完全沒必要的緊急制動。

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

模塊化架構下的標注工作量不僅體現在精細度上，更體現在任務的碎片化中。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、具有針對性的數據集。這種“專數專用”的模式雖然便于調試和定位問題，但也會導致信息的高度損耗。當傳感器采集到的海量原始數據被壓縮成幾個坐標和標簽后，大部分環境語義信息就會因此丟失，規控模塊無法感知到那些未被標注的細微環境變化。由于工程師無法窮舉并標注出所有可能影響駕駛決策的邊緣案例，這種標注模式在處理長尾場景時表現出極大的局限性。

端到端技術路徑，以駕駛行為為導向的宏觀標注

端到端技術的興起，標志著自動駕駛從“環境重構”轉向了“行為克隆”。在這一路徑下，自動駕駛系統不再試圖通過中間模塊去理解每一個物體的幾何屬性，而是直接學習從傳感器信號到駕駛動作的映射關系。對此，端到端的數據標注要求也發生了翻天覆地的變化，標注的重心從“屏幕上的框線”轉移到了“司機的腳和手”。

在端到端架構（尤其是以模仿學習為核心的方案）中，最核心的標簽是人類專家的駕駛軌跡和控制信號。這些數據包括方向盤轉角、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軌跡，數據直接來源于車輛的CAN總線。這種標注在某種程度上是“自動化”的，因為駕駛數據本身就攜帶了司機的反應。當然，端到端架構對這些行為標簽的質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”的高質量示范。

圖片源自：網絡

這種轉變意味著，數據標注員的角色正在從“畫圖工人”向“數據策展人”的方向轉變。他們不再需要精細地標注路上的每一個行人，而是需要分析復雜的交通場景，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。

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

雖然端到端系統存在“黑盒”現象，但集成式端到端模型（如UniAD）在內部依然保留了感知任務的影子，用于輔助最終的規劃決策。雖然如此，這里的感知標注要求也與傳統模塊化路徑有著本質不同。在UniAD這類模型中，中間環節的檢測、跟蹤和建圖標注是“目標導向”的。這意味著，感知標注不再是為了追求極致的檢測準確率，而是為了給最終的路徑規劃提供最有價值的語義支持。這種設計允許感知任務在標注上存在一定的冗余，系統在全局優化過程中會學習到哪些環境特征對安全駕駛至關重要，從而自動補償感知的局部偏差。

模塊化與端到端數據標注各維度差異

端到端路徑還引出了對“因果標注”的新需求。僅僅記錄司機的動作是不夠的，系統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，標注信息需要明確區分是因為紅燈還是因為前車剎車。這種帶有邏輯鏈條的標注，使得系統不僅在模仿人類的動作，更在學習人類的決策邏輯。VLA模型（視覺-語言-動作模型）就引入了此類結構化標注，將駕駛決策與環境中的關鍵因果因素掛鉤，從而提升模型的可解釋性和泛化能力。

4D自動標注與世界模型，數據生產效率的質變

當自動駕駛數據量從TB級躍升至PB級時，傳統的人工標注模式已經不再適用。端到端路徑的進化極度依賴海量數據，這直接催生了以4D自動標注和世界模型為代表的數據生產方式。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重建。

4D自動標注的核心在于“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過同一路段的傳感器數據，系統可以構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，靜態的道路設施（如路燈、馬路牙子）可以在多次觀測中被精確標定。對于動態物體，系統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，當一個行人在畫面中消失了兩秒鐘，傳統標注可能就丟失了其身份，但4D自動標注系統能通過軌跡一致性自動補齊這一段“標簽”，確保模型學到連貫的物理常識。

圖片源自：網絡

這種自動標注技術不僅提高了效率，更改變了標注的形態。在端到端時代，標注不再是“給人看的圖”，而是“給模型訓練用的特征空間”。像是占用網絡（Occupancy Network）的標注要求將空間劃分為無數個細小的方格（Voxel），并標定每個方格在未來一段時間內是否會被占據。這種海量的三維空間標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，標注工作從“畫線”變成了“維護離線大模型”，人類標注員的任務轉變為驗證和修正自動生成的標簽，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注的邊界。世界模型通過自監督學習的方式，學習預測未來幾秒鐘的環境演變。在這種模式下，未來的真實傳感器數據本身就成了當下的標簽。自動駕駛系統通過“預測未來”并與“真實發生的未來”進行比對，不斷修正自己的內部表征。這種無需人工干預的標注閉環，使得端到端模型能夠從數百萬小時的自然駕駛錄像中汲取營養。這種標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注。

這種效率的飛躍對研發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試Bug；而在端到端時代，工程師的主要精力轉移到了“數據策展”上。他們需要設計精巧的數據引擎，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練信號，接著再將這些時刻通過自動化的標注管道轉化為新的訓練數據，推動模型版本更迭。這種以數據為中心的閉環，使得自動駕駛系統的進化速度不再受限于人類程序員的思維極限，而是受限于標注管道的自動化程度和數據的多樣性。

最后的話

自動駕駛從模塊化向端到端的演進，徹底重塑了數據標注的要求。模塊化技術路徑對標注的要求是“向內求精”，強調對環境細節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則提供確定的輸入。而端到端技術路徑對標注的要求則是“向外求博”，強調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出一個具備物理直覺的神經網絡。

這一轉變不僅是技術上的更新，更是生產力結構的調整。數據標注正從勞動密集型轉向模型驅動的自動生成與人工邏輯校驗相結合的新模式。未來的標注體系將不再孤立地處理每一張圖片，而是通過4D重建、世界模型和自監督學習，構建起一個對物理規律有深刻理解的模擬空間。隨著端到端模型的參數規模和訓練數據量持續突破，高質量的行為軌跡標注、復雜的場景語義標簽以及帶有因果關系的推理痕跡，將成為推動自動駕駛跨越長尾場景、實現真正智能化的核心燃料。

審核編輯 黃宇