【亿欧智库】2023中国智驾大模型应用研究报告正式版.docx

卬国智能电前汽车”,CHINASMARTELECTRICVEHICLEmSERIESREPORT2023中国智驾大模型应用研究报告>一二】幕了二：,一一二.1亿欧智库CopyrightreservedtoEOIntelligence,October2023(127607)(127607)强张库丫忆欧智库(127607)亿欧智库:亿政智库(127607)强张智欧MIMicscwsrv*K2 ISA* mMT<亿(127607)强«张智欧亿(127607)强张智欧亿开始在自动驾驶行业内盛行起来。至2023年，智驾相关大模型开始大量出现，如华为盘古大模型、百度文心大模型、毫末DriVeGPT等。基于上述背景,为了更深入地了解智驾大模型的定义、技术应用现状、产业竞争格局以及遇到的挑战等，亿欧智库撰写了2023中国智驾大模型应用研究报告，并针对中国智驾大模型应用进行深入地研究和分析。2023中国智驾大模型应用研究报告核心观点“力(127607)(127607)(127607)目前，智驾大模型没有一个公允定义，并且产学研不同领域的专家对智驾大模型的定义也不一样，但结合各专家的观点来看，智驾大模型具备多模态输入、自监督学强强强一，一-atB库库库GBBtUJI.IW-SMW%-rE.MRM*MMtMtft.SlffMlMVSItlMMUI*V« 欧欧欧亿亿亿练为车辆提供更有效的感知融合效果与实时建图方案，最终让车端实现与人类司机行为和思维一致的感知、预测、规划等能力。 智驾大模型最重要的应用是数据闭环，相比于传统数据闭环而言，当前的数据闭环对自动驾驶系统赋能最多的主要是数据挖掘、自动标注、模型训练、仿真测试四个应用方向。从感知侧的数据采集开始，会先根据筛选器的设置来进行数据挖掘，随后通过自动化标注来对数据打标签，再对原模型反复训练并经过仿真测试后，最后对车端/模型进行优化，在经过反复地不断迭代循环后，使得整个数据闭环能力能够不断提升。 对于已布局或正将布局的企业，智驾大模型玩家主要可分为四类，其中新势力主机厂以自研为主，而传统主机厂持有保守观望的态度；科技企业凭借强大的Al技术背景和资本实力，构建了以云服务为基础的垂直服务体系；Tierl以自研基于BEV感知的垂域大模型为主；芯片企业主要是优化芯片的开发生态，以便客户能在自家芯片(127607)(127607)(127607)«遑强富XX<N丫亿欧智库(127607)张库(127607)1.1大模型技术发展历程12j知翊台ISMnE产业WiBl理。1.3如何定义智驾大模型张座鞫n亿目录CONTENTS智驾大模型在云边端一体化的技术应用探索2.1 智驾大模型技术应用总览2.2 智驾大模型产业应用探索智to(127607)3.1 产业链概况与产业图谱3.2 典型玩家布局情况分析(127607)*张库智R©智驾大模型面临挑战与发展建议4.1 智驾大模型面I缶的挑战4.2 智驾大模型未来发展建议强2a际e欧亿©丫亿欧智库(127607)(127607)库 帮V亿1.1大模型技术发展历程12大懵产场B扫1.3如何定义智驾大模型智驾大模型在云边端一体化的技术应用探索目录CONTENTS2.1 智驾大模型技术应用总览2.2 智驾大模型产业应用探索库智 欧©(127607)3.1 产业链概况与产业图谱3.2 典型玩家布局情况分析(127607)* 张 库智R©智驾大模型面临挑战与发展建议4.1 智驾大模型面I缶的挑战4.2 智驾大模型未来发展建议强2a际e欧亿©1.1BEV+Transformer应运而生f促进2023年智驾相关大模型开始涌现箱乙欧智库(127607)(127607)(127607)1950年，基于深度学习的AI技术概念被提出,AI正式进入大众视野。1998年,以卷积神经网络为架构的LeNet-5深度学习模型诞生,奠定了大模型发展的基础。2006年-2019年，以TranSfOrmer为代表的卷积神经网络模型开始出现,模型的性能开始加速上升。2020年之后,卷积神经网络模X®.a*auv>vk9av*<rzuMa.彳乙彳乙库曾R©库智2023年，智驾相关大模型开始大量出现，如华为盘古大模型、百度文心大模型、毫末DriVeGPT等。亿欧智库：Al大模型发展历程性能(参数、层媾)语言类大模型CV类大模型通用类大模型(127607)强X-张库智得相关大楼5!智欧亿©基于这!则的少M库3欧<Z©195020062014强(127607)富-张JSs导入IB/亿©开发期GANGoogleOpenAIGPT2,二工、NVDli.qpM小、G2)百度文心大模型阿里巴巴M6毫末DriveGPTUniADBEV+Transformer(127607)ThinkTwice微软FlorenceDALL强-E2202120222023时间8U77数据来源：亿欧智库20201.2.1数据端：基于BEV+Transformer的融合架构f可使大规模多模态数据更好地融合了亿欧智库（127607）（127607）（127607）从多传感器的融合趋势来看,目标级融合（后融合）是当前行业内主流的融合方案,虽然算法开发难度较低，但融合精度较低、关键信息易缺失，不适合未来融合趋势的发展。数据级融合（前融合）是行业发展的目标，但技术壁垒高，短期内方案落地较难。所以，在不丢失关健信息的基础上，富富富张张张库存年智智智欧欧欧况。相反，基于BEV+Transformer的特征级融合方案，可以通过注意力机制提取目标物特征，并在鸟瞰图下脑补出完整的目标物信息,有利于提高整体感知融合精度。亿欧智库：多传感器的融合趋势变化亿欧智库：基于BEV+TranSformer架构的特征级感知融合方案优势目标级融合（后融合）优势：算法难度低、各传感器之间解耦性强劣势：关键信息容易丢失、整体融合精度低目标级融合方案采用的算法仍然是基于规则的运算，虽然方案整体的算法开发难度较低，但有效信息容息缺失.SS引出感知系统读报.鸿报等同SLa(127607*1E.MfiMW劣势：算力消耗较高、时空同步难、运动*联误差大A数据级融合方案目前在行业内极少被使用,整体技术难度较高，在模型开发层面存在较多的棉霞特征级融合（中融合）之间融合效果较好gl公方MnMtt行*.优势：数据损失少、目标特征级信息使得不同传感器(127607现在5个摄像头（共8颗摄像头）中，但是每个摄像头可能只露出了卡车部分车体。对于传统规则算法（比如卡尔曼滤波），算法只会在出现卡车车体的摄像头内进行识别检测，强X张庠欧亿遮挡区域的目标，提高识别与融合精度。©车轮、；瞬、车轮、油箱、窗户、车身、Transformer烟囱、窗户等烟囱、窗户等触机等融合效果好，容车身、轮子等特征级融合（中融合）特斯拉在2021年的AIDAY±,展示过一个大型卡车路过自车的场景，在某个时刻卡车同时出来源：亿欧智库高价值数据的比例低高价值数据通常指的是corner case (即长尾场景数据)，随着L2级以上的自动驾驶功能 不断演进，越来越多的corner case会被挖掘出来，从而转换为common case,但是， 通过采集车收集回来的数据，由于数据最有限，使得ComerCaSe的比例会越来越低.(127607)b各类型数据的需求同步难Q27607)强强成熟导致了标注仍需依赖天工签:1/L高成本麻 诉、当前的演业的取蠢处正(存在大的手M工作比例,Ka斓标注环节,防标注肾法的不W欧K1.2.1数据端：智驾大模型具备数据闭环的能力，解决主机厂在数据处理层面的痛点亿政智库(127607)(127607)(127607)自动驾驶产业在数据处理层面,面临着低效蔚口高成本的双重问题，比如cornercase的挖掘效率低、自动化数据处理程度低、数据标注和存储成本高等，这些因素阻碍了自动驾驶技术迈向高阶自动驾驶。然而，数据是驱动自动驾驶算法迭代的必要属性，能够利用好数据的公司，才可能进入K寓富<nMrwr<mc.库库库»WW.ZjZZj欧ftK©©©标注、模型训练、测试验证的一系列闭环流程，为主机厂进行降本增效。亿欧智库：自动驾驶在数据处理中面临的痛点地图数据采集成本高：在无图技术仍未成熟下，无论是重图方案还是轻图方案，量产车的定位仍然需要高精地图或导肮地图的支持。据公开资料显示,地图精度达到10厘米级别时，每公里测量成本为10元，硒度达到1厘米级别时，每公里的测量成本则飙升至1000元. 数据标注成本高：(127607) 空末智行公布的图像数据标注成本约5元/张，而自动驾驶所需的数据体量约几十亿张，可见数据标注的成本非常高。富强 数据存储成本高：亿欧智库：数据闭环为主机厂带来的降本增效优势软件仿真模拟如何降本增效结果生成/分析车端模型部箸数据来源：公开资料、亿欧智库127607)曷Ota张net优化库亿IK降本©,减少车端无效数据的采集/制定合理的数据存储方案/提升仿真测试的的场景覆盖度增效/优化车端采集数据的逻辑/提高自动化标注模型的效率/强化模型的训练和部署能力J优化工具链71.2.2算法端：高阶智驾功能存在一定挑战f智驾大模型可助力自动驾驶跳出"恐怖谷”亿政智库(127607)(127607)(127607)自动驾驶系统存在着一个恐怖谷理论,即当自动驾驶能力从L2迈入L3后，将行成一个下陷的形态，此时人类对于自动驾驶技术的接受程度会降低，导致安全感急剧下降。其原因在于L3功能下,感知和定位的工作将会转移至车端,而驾驶员成为了辅助，促使系统需要具备较强的处理复杂场÷÷T-1禺张张张库库库B8S欧欧欧亿亿亿提高自车对周围环境的理解以及对复杂场景的处理能力，智驾大模型将凭借端到端的自主学习能力和环境适应能力，成为实现高阶智驾功能的关键。亿欧智库：自动驾驶系统的“恐怖谷"理论亿欧智库：高阶自动驾驶功能在感知和定位方面的挑战(127607)欧下，意知>L0L2:用户期待<系统能力，系统被认为是安全的)!-L3:用户期待>系统能力，系统被认为是不安全的IaL4L5:用户期待=系统能力，系统被认为是安全的：、:LUULIWI人的接程181安全感>对不规则障碍物的感知能力差强基于规则的算法模型I别与融合精度低车道拓扑结构识别难基于AI的fr=WUA提取多践猛蝠皿3加融合精度建立3D鸟瞰图空间，增强拓扑信息7)增加时序信息，提升未知物体感知效地图采集成本高地图更新频率慢、鲜度低合规要求高II实时建立局部拓扑地图采用SDMaP或者众包地图仅采集系统所需的交通信息驶系统驾驶员自.用户期待>系统能力力不安全用户期待=系统能安全实现L3-L5高阶自动驾驶功能将面对较高的场景复杂性动态道路信息承担大部分驾驶工作(1276(«富张/更多的交通参与者：大小货车、行人、电动自行车、清扫车等no-7c/更复杂的交通规则：不同规则的红绿灯、车道（1276线、环岛等富,张R欧-®©数据来源：朱西产教授公开演讲、亿欧智库；ODD:OperationalDesignDomain（运行设计域）解决高阶自动驾驶功能突破的关键，是提高对周围事物的理解，以及对复杂场景的处理能力，尤其是针对感知和定位方面遇到的问题。智驾大模型将凭借端到端的自学习和环境适应能力，成为实现高阶智驾功能的关键(127607)(127607)(127607)亿政智库13.1区别于通用类大模型，智驾大模型的部署难度高、数据维度广、模型设计复杂目前智驾大模型没有一个公允定义，并且产学研不同专家对智驾大模型的定义也不一样，但结合产学研专家的观点来看，智驾大模型具备多模态输入、自监督学习、端到端学习范式以及大规模参数的特征。但是,相比于通用类大模型，智驾大模型的主要差异在于：部署难度高、数据维度广以库亿亿亿张用类大模型解决所有自动驾驶的工程化问题，而是需要一个更系统的部署方式。亿欧智库：产学研不同角度对智驾大模型的定义A：当二个模型在多模态预训练领域有一定突破从产学研角度的不同定义后，它既能处理文字信息，也能处理图片信息,同时也能对一些自动驾驶模型做出一点微调，这类模型可以称之为自动驾驶大模型。一，张耨欧从数JK的度来看.“0型可帔就是只Vf«一冲甥技芟型.比如视觉图像如防自化©e三s触-三s三t三三三ii三涯-而专家B:自动驾驶大模型一方面需要樗参数量达到至少IOB到IoOB的规模，另一方面预训练数据需要达到500万至1000万帧的图像.个任务，最终形成一个基于TranSfOrmer网络架构的端到端的模型。专家D:自动驾驶大模型是在云端部署文本单模态通用大型语言模型或多模态通用类语言大模型，在边缘端部署垂域BEV多模态大模型，最后在移动端实现局部自主。数据来源：专家访谈、亿欧智库.©亿©一(127607)专家E：(127607)亿欧智库：智驾大模型的特征及差异多模态输入：自动驾驶大模型通常接受厂-一多种模态的输入：包括图像，T到表器数一：据、文本等,这使得模型能够充分利用不同类型的数据，提升感知和决策的准确性.!强智驾大模型的特征自发匍学习：口动雪姜大模咖常来用欧日空他习的方式汨行U塔,利用大n亿cKt在SeMWeHKllS."sww签的数据上进行微调.这种方式可以大幅减少对标注数据的依赖。端到端学习范式：自动驾驶大模型通常采用端到端的学习方式，将所有感知数据进行统一的输入和输出，通过一个统一的模型进行学习和推理，从而避免多个模块之间的信息传递和集成问题。A大规模参数：自动驾驶大模型的参数规，弓虽模通常达到百亿甚至千亿级别，这种大i张；HIKNNIHal三r三fJIS力和泛化能力。.库欧亿：驾大模型与通用类大模型的异部署难度高：自动驾驶大模型由于车L端算力限制.目前艮能觥嵋矮缸的大模型部署在云端，从而逐步优化;车端的/模型,最终让车端实现局部端到端的学习方式，优化自动驾驶系统不同不壬务，比如感知、决策、规i划等.数据维度广：自动驾驶大模型需要处理图像数据、点云数据、文本数据、语音等多模态数据，相比于语言类NLP模空（仪针对文本姆g为主）.其数据维度更广，处理数据的难度也更高.面对上述问题，自动驾驶大模型需要具备自监督学习能力，来对大多耍态数抠进行冽惨,从而使候型能够有一定自我认知能力。模型设计复杂：自动驾驶大模型兼具了通用类大模型自上而下的学习方式，会解决不同类型系庆任务.同时,在车端横向上需要采用端到端的学习方式，将各子任务统一到一个框架内，实现更好的自动驾驶算法效果.13.2智驾大模型从多个维度赋能云边端f助力端到端自动驾驶全面落地下亿欧智库I(127607)(127607)(127607)仿真建模等工作。在边端，通过垂域的BEV+TranSformer模型来完成多模态数据融合和实时建图工作。在车端，主要是先利用云端已预处理并标富富富IBMMVjeanmmrubmw*库库库»哲智-彳乙彳乙彳乙欧e&©©©的学习和分布式训练为车辆提供更有效的感知融合效果与实时建图方案，最终让车端实现与人类司机行为和思维一致的感知、预测、规划等能力。亿欧智库：大模型赋能智驾系统的流程亿欧智库：基于端到端的自动驾驶大模型(127607)城张s/避免了级联误差，去除冗余信息(127607)殂XVMfa三Hc个*W.WttTHWemMlS/智张欧亿©10数据采集»云端张评估仿真训练Gs欧数据亿M©(数据来源：亿欧智库丫亿欧智库库 帮V亿(127607)(127607)1.1大模型技术发展历程1 2亿乙 大懵*送合应用IE产也修国朋SC目录CONTENTS(127607)(127607)1.3如何定义智驾大模型2智驾大模型在云边端一体化的技术应用探索2.1 智驾大模型技术应用总览2.2 智驾大模型产业应用探索库智欧©3.2典型玩家布局情况分析©智驾大模型面临挑战与发展建议4.1 智驾大模型面I缶的挑战4.2 智驾大模型未来发展建议(127607)强2a际e欧亿©2.1.1智驾大模型使得整个智驾技术栈从车端上升至边端和云端，布局更全面.也更复杂亿政智库一(127607)(127607)(127607)注、模型训练、仿真测试组成了云端的主要基础功能；在平台架构层，由云服务器支持四个主要的平台工具链。百张智ItVWMQ<MX)«»?*«OfMtMMLC复杂场景下的表现,而TranSfOrmer作为基于自注意力机制的深度学习模型，提高了自动驾驶的系统性能。在车端，保留了单个模块小模型的模式，逐步建立端到端的一体化模型；在基础功能层和平台架构层，仍然是基础小模型和相关软硬件架构来支持。亿欧智库：智驾大模型云边端一体化的技术解决方案总览J三!三数据解析与清洗通过4G/5G上传标注工具平台数据传输通过充电班/换电设备的场端WiFi/蓝牙上传富时间同步、抽帧脱敏脱密/匿名化多模态(12应用层础功能通用类大模型富检入多模态数据垂域智驾I大模型库数据I存储云三铜1对象存储数据管理数据(12760：动态标注静态标注通用障碍物标注模型训练剪枝/量化/蒸储微调模型演版评价实时局部建图(1276多模态AlGC图像特征提取NeRF仿真模型外爵转换占型OccUPanCy边端3模块别检定位模块n亿要素检测拓扑地图构建BEV下的特征斓苔'车端感知端到端的感知决策一体化模型控制算法z训练工具平台仿真场F场景测试云服务器实时局部建图视觉我法舟云口工决策全局路径规划模型评测平SD地图融合定位控制模块横向控制纵向控制Be¾¾IITransformer模型架构考城来源：亿欧智库库智欧亿定位系统决策规划系统控制系统中间件车联网122.1.2云端承载智驾数据处理的主要工作f将构建四大模块，全面赋能智驾系统开发了亿政智库(127607)(127607)(127607)对于主机厂来说,过往的智驾系统开发时，数据管理、数据标注、模型训练、仿真测试等模块平台都是各自自行开发，使用不同的工具链,会造成开发成本高、开发周期长且效率低。强强张富张富张富_库库库智智智亿亿亿RKK©©©偏向于将自动驾驶系统研发工作也放置在云端。亿欧智库：智驾大模型云端技术解决方案模型训练平台数据标注平台产 Z607).(127607)数据工作流r I采样回流-结果(127607)模型训练模型评测场景库Log-to-world高价值数据集数据驱动算法算法提效标注AI辅助数 据原始 数据数据挖堀真值 数据强 S-MIL!I工作流I算法 迭代数据清洗仿真测试平台I真值(Sjson I数据管理平台工作流引擎调度服务张三4127砌).S下发加速模型迭代Al预标AI质检样本数据迭代 模型推理服务更新特征 回流结果回流 模块库智数据来源:13百度、亿欧智库2.1.3边端以感知垂域大模型为基础，建立感知与决策的之间的桥梁，让智驾行为更优化了亿政智库-_(127607)(127607)(127607)化部署，每个模块拥有独立的优化目标,所以主流模型优化路径是从感知端逐步渗透到规控端，最终提高系统整体的鲁棒性。故此，当前流行的富富富库，库，库.智田智亿亿亿欧欧彼©©©员一样做出最优地驾驶决策行为。自监督认知大模型是在进行大量数据训练后，使得模型具备自我学习能力,而非基于规则的决策规划算法。亿欧智库BEV+Transformer可解决的部分cornercase亿欧智库：BEV+TranSforrner架构亿欧智库：毫末智行人驾自监督认知大模型处理复杂道路状况。提续的俯视视角，帮助自Image-to-BEVtransform+multi-camerafusion行人和其他交通参与者应对IB劣天气条件.可以融券合不同类型传感器，从(127607)QlMmM.31*K>fMBY¾lMi能更准确地跟踪和预测强狭窄或遮挡的道路.BiFPNRegNetMain京并车和交通合流。凭借通状况.从BEV(2D)到占月全面提升BEV架构的缺点：BD,缺少高度信息，无法真手是多少.虽然BEV架1也是通过矩阵框的形式，OccupancyNetworl7解决BEV架构的问题致的网格单元(Gridcell用：该算法优势是：强实现了BEV从2_却嫄决了蚕以高度上不同立方库实时预测被遮挡物体的智©/IOms内可以完而亿©解决了目标检测白2.1.4车端受限于算力问题f超大参数模型将通过模型压缩和OTA的方式实现终端部署亿政智库Ww.-Ki-(127607)(127607)(127607)千亿参数的模型将具备较好的涌现能力；其次，需要对模型进行充分的训练,每个参数量需要训练20个token。当前千亿规模的大模型预计需要10KKXK库库库三智智.三一ZZZ«欧R过JTA的方式才能部署在车端，常见的方式包括设计更高.的网络结构、将模型的参数量变少、将模型的计算量减%,同时提高模型的精度，比如剪枝、Nas、量化以及蒸储。亿欧智库：主流模型压缩技术介绍亿欧智库：模型涌现能力与算力当量的关系通用任务性能(127607).L 张IllI欧1021031040.110当模型参数量增长 超过一定阈值，模型能力表现出跃迁 式的提升，小样本 (127607) 学习正是智驾大携强MBfi3g -张 用算力当量(PetaFlops/s-day , PD ) 参数量、算力需求、模型能力之间的关系 参数量与模型能力成正比。随着智驾大模型的参数量上升，所需要训练的token数会上升， 模型的泛化能力也会上升，使得整体模型的loss在平滑下降. 参数量和算力需求成正比。当智驾大模型的参数量上升后，为了保证所需的算力需求和计算 效率，就需要提高车端的芯片算力，而当前市场上最高算力是英伟达的OrinX ( 254TOPS ),据了解，该算力平台乌部署现有的空,匕血BE(127607)former.(127607)96神经网络架构搜索（NaS）:类似"化学结构式的重构"，以模型大小和推理速度为约束进行模型结构搜索，从而获得更高效的网络结构。（127607）化：类信量子级别的；S肥,神好网雌型的数一般都用ftoat32的趣g寂示,但如果将剪枝：类似"化学结构式的减肥"，将模型结构中对预测结果不重要的网络结构剪裁掉，使网络结构变得更加"瘦身比如，在每层网络，有些神经元节点的权重非常小，对模型加载信息的影响微乎其微。如果将这些权重较小的神经元删除，则既能保证模型精度不受大影响，又能减小模型大小。匠一张M -臭检 七角16生 . 附TflKt好犬M9一个小 MX0JU库智如维里冬的伏分提®B,所以拿HMf 效里找近大IMi的。乜 K亿©健来源：公开资料、亿欧智库；*int8为运算数精度单位，Int8指8位整型数，即用8bit来表示Y整数数字;float32为32位浮点数,也称单精度浮点数15亿政智库2.2数据闭环是智驾大模型的先要条件，四大主要应用方向赋能智驾系统(127607)(127607)(127607)若要建立一套智驾大模型，就必须要先做好数据闭环，其原因是智驾大模型需要大规模多模态数据，并且对数据处理的算力需求和模型计算效率要求也较高。数据闭环并不是一个较新的概念,早期自动驾驶产业已经开始出现了数据闭环的概念，但痛点在于不高效和高成本，比如数据标注多采富富富张张张MlMM111'.""库库库智智智欧欧欧iziz>z的数据采集开始，会先根据筛选器的设置来进行数据挖掘，随后通过自动化标注来对数据打标签，再对原模型反复训练并经过仿真测试后，最后对车端小模型进行优化,反复地不断迭代循环后，使得整个数据闭环能力能够不断提升。亿欧智库：自动驾驶数据闭环图示.自动驾驶数据闭环发展三阶段1.0阶段:2013-2017闭环通路初步构建自动驾驶发展初期的数据闭环较为简单，只是简单的通路构建，主要在测试车上发现向Jffl并上传，由工程师们分析错误报告，以找出问题原因，进t2.0阶段:2018-2024数据驱动闭环升级随着技术的迸步和自动驾驶等级的(127607)3.0阶段:2025-2030场景催化商业落地未来,自动驾驶频闭环将进一更新升级，逐步从测试车T小规模量产一大规模量产，面向多样化场景都能够流畅、安全的赋能自动驾驶，从车、路、云多端助力自动驾驶的终极实现数据闭环的定义:(127607)通过专业测试车队和社会化量产车辆采集其行驶数据、位置轨迹、路况数据、场景数据等多种而修改代码并在下次更新后予以解决.的闭环及相应技术和服务被车企及这是传统的、简单的数据闭环，但效供应商广泛应用.率不高,多个环节需要人工辅助.O2013数据信息，处理形成数据集，经过清洗、标注等，基于智能云底座进行传输、存储等操作，结16亿政智库2.2.1 数据挖掘：实现模型冷启动依然需要数采车，挖掘长尾数据的关键是用好筛选器(127607)(127607)受制于合规和传输成本等因素，使得模型冷启动仍然需要依靠采集车来获取基础数据。随着越来越多的COrnerCaSe逐步从"未知转化成“已知富.a-narvvjM.*stts库,彳Z4乙彳乙欧©端的存储芯片容量有限，不可能无限的增加车端储存芯片数量，并且云端的数据储存成本也较高；其次会增加数据传输成本，量产车一般通过4G/5G的车联网技术来传输数据,单车每月需要非常高的流量成本(约4050GB),该成本将成为主机厂一项较重的负担。采集方式亿欧智库：不同自动驾驶数据采集方式的对比两种采集方式该如何选择数据采集车量产车(127607)亿器配置张智.欧模型冷启动阶段1.0选择采集车采集数据(127607)一数据挖掘的关键是在数据采集时做好筛选器设置无论是采集车还是量产车，数据上传带来的流量成本非常高。摄像头、毫米波雷达、激光雷达等多种传感器数据传输方式合规员随车采集数据，以硬盘形式存储数据，并以物理搬运的模式将数据送到合规室数据规模整体规模小，但单车数据量大(127607)3打用于/算法亿(一般为摄像头)模无法达到模型基本要求.只能先通过数据采集车采集数据的方式，来获取模理冷启动的基础数据-选择量产车采集数据-富,w<0c3"法再获取时，将采取量库(127607)40-50GB每GB收费约1元车型的功能配置来获取。相卮十万辆车月数据流量成本高达约500万元车端轨迹偏转插件和图商密钥加密无线上传的模式，传输介质为4G/5G网络整体规模大，但单车数据量小系统诊断通讯数据、智驾系统科学的场景分类根据实际业务需求，对场景库进行分类，利用(127607)W骂大噢型已训ts过的强«张如何利用智驾大模型做好数据筛选器优化车端采集逻辑合理设计触发器灵活更新筛选器结价由监督预训练，利用智驾大模型来优化车端基于规则的数据采集逻辑，让筛选规则能灵活多变在设计trigger(娄:据回传触发器)层时，撩照(127607)W要程度对埼退行分强靖来源：亿欧"Mind Bridge"闭门研讨会、H一号组织公众号、公开资料、亿欧智库以OTA方式更新车端筛选机制，备案流程非常繁琐，可利用智驾大模型定期更新车端数据筛选相关的算子172.2.2 自动标注：自动标注成为主流方向f4D标注成为未来不可或缺的技术/亿欧智库(127607)(127607)(127607)由于深度学习在整个自动驾驶产业的渗透率逐渐提升,大量的语义图像数据，使得数据标注成为了智驾系统不可获取的一部分。从人工标注到半自动,再到全自动化标注，自动标注提升了标注整体的效率和精度，能够处理更大规模的数据集，提升人机协作的能力以及适用多个应用场景。M«»张张_张BEV需要的真值数智智智MflnDt14aiM*M.MCAAZl<VTnMk*V4rMV>MMHN.C欧KKt©©©自动驾驶为何需要数据标注Frl系统优化：数据标注可以用于优化自动驾驶系统.通过对标注数据的分析，可以发现系统中7存在的问题和缺陷，并进行优化和改进.这些改进可以让自动驾驶系统更加智能和高效，更好地满足用户的需求.提升效率：通过大量的数据标注，可以让自动驾驶系统更快地识别各种物体，提高整个自动驾驶系统的工作效率.目前，数据主要集中在感知侧,由于感知算法主要采用深度学习模型，所以需要已标注的缄。而规控侧主要采用规则模型,无需标注数据进行处理亿欧智库：地平线基于BEV感知的4D标注技术方案、特斯拉数据标注历经4个阶段，精度、效率不断提升(127607)强(127607)强张库R欧©m2018年及之前2019年只有纯人工2维图像标注，人工进行3D固定程效率较低图像标注2020年采用BEV空间进行标注20M年提出占用网络方案，在4D空间中进行标注面向BEV感知的4D标注方案 4D主要是3D空间+时序 通过4D重建实现点云级别或ObjeCt级别的重建，通过人工标注积累原始数据 随着数据积累到一定程度，可以训练云端大模型逐步替换人工标注，可提升80%+的标注效率GT健发版从人工标注到自动化标注，自动标注带来哪些优势提高效率和准确性适用于大规模数据集提升人机协作能力自动标注可以大大提高常¼S1.M!>AX*(127607)gg由saw大规模的数据集，处理速数据策源：地平线、专家访谈、亿自动标注可以与人工标注相结合，实现欧智库人机协作的标注方式，可以对人工标注的数据进行蛉证校对。4D*采集数据（动、静;M>t«w»a»