上海2020年7月9日 /美通社/ -- 自動駕駛的發展離不開數據。近日，禾賽科技與Scale AI聯合發布了自動駕駛開源數據集 -- PandaSet。PandaSet采用禾賽科技先進的激光雷達進行數據采集，并通過Scale AI強大的標注平臺進行精準的數據標注，為從事自動駕駛研發的公司、機構和個人，提供了內容豐富、目標物密集的高質量免費數據。
盤點全球人工智能數據平臺，Scale AI是當之無愧的領軍者。這家由華裔青年Alexandr Wang在19歲時參與創立的公司，自成立以來一直深受投資者的青睞，僅用3年時間就成為了市值超10億美元的獨角獸企業。依托強大的技術實力，Scale AI結合人工標注、智能工具和標注質量保證體系，推出了面向傳感器數據、圖像、視頻和文本的一系列標注產品，為人工智能應用提供了一流的培訓和驗證數據。而作為全球領先的激光雷達制造商，禾賽科技則憑借自主研發的微振鏡和波形加密技術，始終引領傳感器創新的發展方向，目前已布局400多項專利，客戶遍布全球21個國家和地區的70座城市。此次禾賽科技與Scale AI攜手打造PandaSet開源數據集，無疑為自動駕駛行業的發展注入了新的活力。
在自動駕駛的發展進程中，數據是處于核心地位的生產資料，代表著一家公司的核心競爭力，也決定著自動駕駛能否實現安全和穩定。以往，自動駕駛“玩家”對自己的數據普遍呈現出敏感的姿態，而隨著自動駕駛的實現難度越來越浮出水面，大家也逐漸認識到單打獨斗絕對不行，開放合作才是正途，于是開源數據集成為了很多自動駕駛公司的選擇。
截至目前，Waymo、Cruise、百度、Uber、Lyft、Aptiv等全球領先的自動駕駛公司都已陸續開源了自己的數據集，對促進自動駕駛整體研發進程起到了舉足輕重的作用。不過，開源數據集并不是自動駕駛公司的“專利”，傳感器企業同樣有能力在這一領域大顯身手，甚至可能比自動駕駛公司做得更好。禾賽科技與Scale AI聯合發布PandaSet就是很好的例子，它為自動駕駛行業鏈條上的很多企業開辟了嶄新的發展思路。
PandaSet：疫情期間的一場及時雨
高質量標注數據是訓練深度學習算法的“燃料”。目前，全球的自動駕駛公司所使用的深度學習算法，基本都需要使用標注數據來進行訓練——只有通過不斷學習標注數據，深度學習算法模型才能夠幫助自動駕駛汽車更好地識別障礙物。而除了自動駕駛公司，其他自動駕駛算法開發者，例如學生、學術機構等，同樣對高質量標注數據有著持續、強烈的需求。
然而，今年以來，受新冠肺炎疫情沖擊，一大批自動駕駛公司不得不暫停路測工作，直接導致可用路測數據的減少甚至斷供，對自動駕駛深度學習算法模型的訓練造成了嚴重影響。 在這樣的背景下，近日禾賽科技與Scale AI聯合發布了PandaSet開源數據集，為眾多自動駕駛算法開發者帶來了一場及時雨。
PandaSet數據集采用2款激光雷達和6個攝像頭進行數據采集，包含超過16000幀激光雷達點云和超過48000張照片，共100多個場景。除了激光雷達點云和照片外，數據集還包含GPS（全球定位系統）/IMU（慣性傳感器）、標定參數、標注、SDK（軟件開發工具包）等信息。
尤其值得關注的是，PandaSet數據集對100多個場景的每個場景都進行了目標檢測，共檢測28類物體；大多數場景還進行了語義分割，共37種語義標簽。目標檢測采用傳統的長方體標注，例如，自行車和汽車可以用長方體線框框出來。而對于激光雷達點云數據，并非每個點都隸屬于某一目標物，因此數據集還通過點云分割工具精確標注了每個點的語義標簽。如此細膩的標注，也為深度學習算法模型提供了絕佳的數據資料。
對于一個自動駕駛數據集，場景的多樣性和復雜性是衡量其優劣程度的重要標準之一。PandaSet數據集中的所有數據均采集自舊金山的城區道路和硅谷的郊區道路，這些道路涵蓋了汽車、自行車、交通燈、行人、建筑物等各種各樣的交通信息，是對自動駕駛挑戰性最大的一類應用場景。此外，PandaSet數據集的數據覆蓋了白天和黑夜，也讓其具備了很強的適用性。
別被不可靠的數據集帶溝里
對于自動駕駛研發者，如果想要訓練出優秀的深度學習算法模型，就必須在選擇數據集時格外擦亮雙眼。因為一些不可靠的數據集，非但不能很好地訓練算法，反而會給算法帶來巨大危害，起到適得其反的作用。那么，什么樣的數據集是不可靠的呢？簡單來說，不準確、不完整的數據集就是不可靠的數據集。
一些不準確、不完整的數據集正在把自動駕駛汽車帶溝里，其中也包括知名數據集。一個被廣泛使用的、包含15000張圖片的開源數據集，在該數據集中發現了數千張缺少標注的圖片，其中有數百張甚至沒有任何標注，但這些圖片中確實有小汽車、卡車、自行車、街燈或行人。不僅如此，該數據集還存在虛假標注、復制粘貼的情況，有些標注框的體積明顯超標。
“成千上萬的學生都在使用開源數據集支持自己的自動駕駛項目，但質量堪憂的數據集極易誤導算法模型，從而導致自動駕駛汽車做出糟糕決策，這對于自動駕駛的研發是災難性的。”
事實上，數據集的準確性和完整性與數據采集、數據標注的流程密切相關。例如，在數據采集中，如果采集車搭載的傳感器性能很差，那么采集到的數據質量一定也會很差，直接影響后續的標注及最終的使用。而在數據標注中，如果沒有一套完整的標注方法，就很容易出現各種錯誤標記，如：未標出畫面中存在的物體，反而標出不存在的物體，或者標注框沒有貼合實際物體，甚至與實際物體發生大幅偏移。
對于如何打造一個高質量數據集，PandaSet是一個優秀案例。在數據采集中，PandaSet用于數據采集的兩款激光雷達均為業內領先產品，這兩款激光雷達由禾賽科技自主研發，一款是具有圖像級分辨率的前向激光雷達PandarGT，另一款是64線機械旋轉式激光雷達Pandar64，保證采集到的點云足夠準確、清晰、細膩 -- 世界上現有的開源數據集普遍采集較早，還鮮有使用Pandar64和PandarGT這樣的高性能激光雷達來采集數據。
此外，在數據標注中，負責該部分的Scale AI作為標注領域的翹楚，具有一套非常嚴格的標注體系，包括怎么標注、怎么檢查、怎么復核、怎么對不合格的標注進行重新標注、怎么管理和考評負責標注的員工等。在整個標注流程中，Scale AI以人工作業為主，結合計算機輔助，充分保證了數據標注的完整性和準確性。
開源數據集是大勢所趨
作為自動駕駛行業的領頭羊，Waymo也在去年發布了自己的開源數據集Waymo Open Dataset。該數據集包含20萬幀畫面、1200萬條3D標注和120萬條2D注釋。Waymo希望自家的數據集能夠幫助研發者在2D和3D感知、場景理解、行為預測等方面取得進展，從而不斷提高自動駕駛汽車的性能，并促進計算機視覺和機器人等其他相關領域的應用。
在Waymo發布開源數據集之前，Cruise、百度、Uber、Aptiv等處于領先梯隊的自動駕駛公司都已發布了自己的開源數據集。而在Waymo發布開源數據集之后，又有多家公司發布了自動駕駛開源數據集，例如Lyft、福特、奧迪等。
通觀自動駕駛開源數據集的發展歷程可見，在PandaSet發布之前，開源數據集基本都是自動駕駛公司的“專利”。而禾賽科技的“入局”，則以傳感器企業的特殊視角為這一領域添上了一抹亮色，同時也讓人們看到了傳感器企業在自動駕駛賽場上的更多可能性。
事實上，相比于那些自動駕駛“頭部玩家”，傳感器企業在開源數據集中的表現并不遜色。以PandaSet為例，該數據集就擁有其他很多數據集沒有的優勢：采集數據的傳感器業內頂尖，采集場景多樣化，采集信息密度高，數據標注詳盡準確并進行了精細的語義分割。還有非常重要的一點就是，PandaSet面向學術及商業應用均完全開源免費——不像很多開源數據集其實是有商用限制的。不過，PandaSet也有其局限性，例如：總的場景量和數據量均不夠大，缺少不同天氣狀況下的數據，缺少短距激光雷達數據。
當然，PandaSet對于禾賽科技和Scale AI都只是一個開端而已。未來，兩家公司將繼續深入合作，采用更高線數的激光雷達以及PandarQT等短距激光雷達，采集更多場景、更多數據，并進一步優化標注方法、標注流程，讓數據集更豐富、全面，讓細節更完美。
禾賽科技表示，參與開源數據集是一個非常正確的決定，不僅因為這是同行沒做過的事，也因為可以從中取得很多收獲。
“一方面，PandaSet數據集為自動駕駛行業豐富了數據，讓研發者有更多、更全面、更高質量的數據可以應用和參考，特別是對那些缺少資金和渠道來獲取可靠數據集的學生們，幫助巨大。另一方面，數據集也讓更多人看到了禾賽激光雷達的表現，有助于吸引客戶購買我們的產品。此外，數據采集過程涉及采集車的搭建、不同傳感器的融合、多傳感器之間的標定……這些都是自動駕駛公司做的事，對禾賽團隊是前所未有的考驗，也讓我們在實踐中大大提升了自己的能力。”
就目前而言，開源數據集是大勢所趨，是利人利己的一件事。因為自動駕駛數據采集是一個周期長、地域廣的超大型項目，如果各家企業都能將自己的數據進行共享，并吸引更多企業和研發者應用并補充數據集，就可以為整個行業大大縮減數據采集時間，從而促進自動駕駛早日實現商業化落地。而從企業自身出發，如果自家的數據或代碼被廣泛采用，甚至連競爭對手也大量采用，就相當于在業內樹立起了一個非正式標準，對企業地位提升和長遠發展意義重大。
