RoboTaxi 时代正在到来，科幻电影中的自动驾驶离我们的距离正在快速接近。但是，自动驾驶真正落地还有重重阻隔，首当其冲的便是能否保证车辆安全行驶的问题。

今年是自动驾驶商业化全面开花的一年。

年初，十一部委联合发布《智能汽车创新发展战略》，将智能汽车列入顶层发展规划，紧接着 3 月份自动驾驶分级标准也进行了公示；

4 月，时值百度Apollo开放平台发布3周年之际，Apollo RoboTaxi服务上线百度地图及百度 APP 智能小程序，成为国内首个通过国民级应用向公众开放的自动驾驶出租车服务；

同月，高德与国内自动驾驶代表性企业 AutoX 合作推出 RoboTaxi（自动驾驶出租车）项目，面向上海公众开放体验。

6 月，高德又与自动驾驶出行企业文远知行达成合作，向广州市民开放 RoboTaxi 运营服务。

就在前几天，滴滴出行首次面向公众开放自动驾驶服务，通过滴滴 App 线上报名，审核后就能在上海测试路段免费呼叫自动驾驶车辆进行试乘;

……

前有百度，后有高德、文远知行、AutoX、滴滴等自动驾驶代表企业，RoboTaxi（自动驾驶出租车）赛道如今充斥着布局自动驾驶商业化落地的各方势力。

一份来自安信证券的研报认为，从国内 RoboTaxi 覆盖的城市来看，广州、长沙、上海等一线城市已经逐步落地，北京、苏州等地也在积极筹备，RoboTaxi 在国内已成星火燎原之势，2020 年将是 RoboTaxi 规模化运营的元年。

自动驾驶：场景化 AI 数据成必争之地

RoboTaxi 时代正在到来，科幻电影中的自动驾驶离我们的距离正在快速接近。但是，自动驾驶真正落地还有重重阻隔，首当其冲的便是能否保证车辆安全行驶的问题。

在自动驾驶的过程中，汽车本身需要具备感知、策划、决策、控制等一些列能力，而数据则是培养自动驾驶 AI 能力的重要因素，数据标注存在的意义是让机器理解并认识世界。与其他人工智能应用场景相比，智能驾驶的落地场景相对复杂，想要让汽车本身的算法做到处理更多、更复杂的场景，背后就需要有海量的真实道路场景数据做支撑。

AI 数据是整个人工智能行业的燃料，它在智能驾驶领域的重要性毋庸置疑。但现实情况是缺乏获得大量且高质量数据的渠道。一方面数据标注本质上是要获得更准确，更精细化的数据结果，而场景化的道路数据缺失、数据标注质量良莠不齐，以及数据隐私安全问题成为自动驾驶面临的三大痛点。

为解决这些行业性问题，国内 AI 数据服务头部企业云测数据，通过提供场景化的 AI 数据，来满足智能驾驶领域高标准的数据需求。

据公开资料显示，云测数据为了满足智能驾驶领域不同场景的特殊需求，业内首创了“数据场景实验室”模式，通过还原多种智能驾驶细分场景，以解决特定场景下的数据缺失、质量良莠不齐等行业问题。一方面，在场景下的定制化数据采集更加精准、数据质量更高，另一方面，定制化的场景数据也与智能驾驶需求端的匹配度更高，从而最大化将数据转化为生产力。

云测数据总经理贾宇航在接受媒体采访时曾表示：“当前的自动驾驶所需数据需求，正向着多模态的方向发展。所谓多模态，即是对多维时间、空间、环境数据的感知与融合。比如当前的自动驾驶需要雷达 + 摄像头才能跑得更稳，相对应的，就需要 2D/3D 融合标注工具。”

云测数据在智能驾驶领域数据标注领域长期保持着领先优势。在标注工具方面，云测数据自研了一套可以支持图片、语音、文本等多品类的标注平台，可满足业内图片通用拉框、车道线、DMS、3D 点云、2D/3D 融合、全景语义分割等标注类型，支持自动驾驶、智能驾舱、自动泊车等场景数据标注。

值得一提的是云测数据的三维标注工具，尤其是 3D 点云的标注工具，通过渲染引擎等方面的优化，可保证整个过程的流畅和快捷。对雷达成像的图像中的机动车、障碍物、行人等多目标进行 3D 标注，也是业内率先实现 2D、3D 融合标注的平台之一。在数据质量的导向下实现更优的品控和更快的数据交付，当属业内领先。

“数据标注的准确率和贴合度至关重要，比如要在一个 2D 图片或 3D 点云图里标注出汽车，标注的矩形框要尽可能地与物体贴合。”贾宇航补充道，“云测数据利用自主开发的标注工具，即使是 3D 点云图像，也可以保证数据标注的流畅性和时效性，以及行业内领先的数据标注精准度。” 

正是定制化的场景、丰富的数据量，还有高质量的标注结果，让云测数据与行内包括自主、合资车企，大型 Tier1，以及做无人出租车的自动驾驶公司等众多企业，建立了持久良好的合作关系。

据贾宇航介绍，涉足自动驾驶领域数据标注以来，云测数据仅在难度较大的 3D 点云数据上，就大概输出了千万帧的数据。这些数据应用于自动驾驶感知系统的优化进步，助力算法工程师和企业们在 3D 感知、场景理解等方面取得进展。

AI 数据助力科幻照进现实

正如人类的飞天梦一样，人们对自动驾驶有着热切的需求。

而自动驾驶真正商业化落地的关键之一，就是要通过人工智能算法处理更多更复杂的场景。从宏观角度来看，现有算法、算力无法准确处理复杂交通环境下无限可能的长尾场景，这时候高质量 AI 数据的覆盖就显得更加重要。

一方面，现实交通场景复杂、安全威胁多。尤其是国内路况的复杂性和国内智能驾驶起步稍晚的现状，更需要高质、更精准的数据来进行算法训练。

另一方面，从安全性上来看，标注数据质量的高低将直接影响自动驾驶的安全性。例如，人像、建筑物、植物、道路、交通标志、车辆等数据标注的准确性直接决定智能驾驶AI对于路况的判断，数据标注偏差会直接影响行驶安全。

作为人工智能领域内最值得期待的场景，智能驾驶产业落地的大门已然开启。场景化、定制化的高质量 AI 数据已成为智能驾驶领域最需要的基础动力之一，而AI数据也将在不断深入的产业落地中，为现实世界推开“科幻”的大门。