知识点 › 场景挖掘与标注
自动标注
Auto-labeling
定义
用离线大模型（教师模型）+ 多帧融合 + 建图/SLAM 生成高质量伪标签，替代或减少人工。自动标注率（自动产出且被采纳的比例）是闭环成本的核心指标，行业领先者可做到 80%+ 的框由机器出、人只做抽检。
关键要点
- 典型链路：点云建图 → 3D 检测/分割 → 时序跟踪融合 → 投影到图像 → 人工修正
- 教师模型比车端模型大 10 倍、可用未来帧，这是「离线特权」
- 自动标注的质量上限受教师模型限制，必须用黄金集监控
面试怎么答
讲「离线特权（更大模型 + 未来帧 + 多传感器融合）」是理解自动标注的关键。
相关知识
- 教师模型与伪标签 — 用大模型（或集成模型）在离线数据上生成标签，再蒸馏给小模型。伪标签的噪声会累积，需要置信度过滤、一致性校验、以及「只在…
- 4D 自动标注 — 把「单帧 3D 框」升级为「时序一致的 4D 轨迹 + 速度 + 朝向」：先建局部地图/占据，再做多帧联合优化，最后投…
- 封闭/矿山场景特化 — 矿山、港口、园区等封闭场景的数据闭环有明显差异：路线固定、场景重复度高、可布置场端基站与 WiFi、可反复复现同一场景…
- 占用栅格标注 — 把 3D 空间离散为体素并标注「占用/自由/未知」，不依赖目标类别，对异形障碍物、施工区、散落货物特别有效。是「无类别…
- 语义/实例分割 — 像素级（图像）或点级（点云）类别标注：可行驶区域、车道线、路沿、建筑、植被、施工区。常用于 BEV 训练与可行驶区域约…
- 标注工具 — 自研或开源（CVAT / Label Studio / Scale）的标注前端：多传感器同步播放、3D 点云编辑、预标…
- 标注规范 — 把「什么算一辆车、遮挡多少不标、边界怎么切」写成可执行的判定规则与示例图。规范不清是标注质量波动的第一原因，也是模型学…
- 标注质量体系 — 四道关：①培训与考核（上岗门槛）；②抽检（按比例复核，算准确率/漏标率）；③黄金集（固定标准答案，定期测标注员漂移）；…
- 人在回路 — 机器先做、人只审核与修正的协作模式。设计要点：把人的注意力放在「模型最不确定」的样本上（主动学习），并对人工修正结果做…
- 自动打标算子 — 用离线大模型在数据上跑推理，产出检测/跟踪/分割/占用/轨迹标签：检测头 → 时序跟踪融合 → 投影回各帧 → 置信度…
- 数据闭环 — 把「真实世界产生的数据」持续转化为「车端模型能力」的工程体系：车端采集 → 回传 → 存储治理 → 场景挖掘与标注 →…