智能駕駛與智能座艙 | AI 數據驅動汽車產業變革

在數位化時代，伴隨高端感測器、高端晶片、5G 通訊等新一代技術的迅猛發展，智能駕駛網約車、無人配送車、無人清潔車、無人物流車等產品正從概念走向現實。以智能駕駛技術為核心的科技手段，正在重塑我們的城市生活。對於智能駕駛產業而言，數據的重要性堪比燃油車加油、新能源車充電。對各類感測器、光達等設備採集到的數據進行有效訓練、分析和處理，是智能駕駛技術平台的核心競爭力，也是技術革新與產品迭代的基礎。面對海量的智能駕駛數據，如何讓每個數據都有存在意義？AI 訓練數據就顯得尤為重要。全球 AI 訓練數據服務商 Appen，正在智能駕駛領域打造出自己的理想版圖。

根據 Tractica 的預測，到 2025 年，汽車 AI 硬體、軟體和服務的市場規模將從 2017 年的 12 億美元攀升至 265 億美元。這其中，AI 數據已成為推動智能駕駛和智能座艙發展的核心關鍵，為汽車製造商帶來了巨大的變革潛力和新的獲利成長引擎。

智能駕駛：數據標註是核心

在智能駕駛領域，安全行駛是首要條件，而感知則是其中最重要的功能之一。車輛必須具備對行駛環境的三維定量感知能力，否則決策系統將無法正常運作，如同人失去了雙眼。智能駕駛的落地場景複雜多變，尤其面對即時路況，必須有海量的、多維度的數據做支撐。

那麼，哪些數據才能滿足智能駕駛的真正需要？Appen（中國）高級產品總監張童皓指出，智能駕駛數據可分為智能座艙和自動駕駛兩部分。自動駕駛的核心數據來自車載視覺相機、光達以及毫米波雷達感測器。這些數據在經過標註後才有意義，才能用於演算法的學習和訓練，例如用於智能座艙的語音辨識、手勢動作辨識，以及特種車輛的駕駛員疲勞監測等，這些技術能力大多是建立在海量標註數據訓練的深度神經網路模型基礎上。

Appen 雖然不直接參與自動駕駛的模型訓練，但其技術團隊會針對客戶提供的不同場景數據進行充分標註，包括語音、影像和 3D 光達點雲等。為了提高效率，Appen 針對高頻場景構建了基礎級的演算法能力，例如其 3D 光達點雲車道線語意分割自動辨識技術，能以高於人工標註數十倍的效率完成車道線點的分類。

Appen 的智能駕駛訓練數據解決方案支援市場上所有的標註類型，包括視覺、語音、文本、點雲等，並涵蓋分類、畫框、分割、屬性標記、追蹤等。其自研的自動駕駛訓練數據解決方案進行了大幅升級，專為智能駕駛場景打造出包含像素級語意分割工具、2D 影像複合標註工具和超高效能 3D 光達點雲拉框及語意分割工具等在內的工具包，能讓原始數據在更短時間內變成高品質可用數據。

例如，Appen 的 3D 光達點雲拉框及語意分割工具能實現自動貼合、連續影格映射、3D2D 融合標註和目標預識別等功能，並能靈活配置數據有效性驗證規則，讓客戶能直接進行線上驗收。在實際應用中，該工具能達到 99.9% 的準確率和每秒一個影格的質檢速度。此外，Appen 的技術平台可提供精度高達 99% 的複雜 3D 光達點雲目標追蹤標註，並在單個任務單元內滿足多達 50 個影格中保持目標 ID 一致性的要求。

Appen 憑藉其在智能駕駛領域的豐富經驗，已為億咖通科技（Ecarx）等多家企業提供 AI 訓練數據服務，並與全球十大汽車企業中的七家以及多個一級供應商建立了深度合作。

同時，數據安全是 AI 訓練數據服務商的立身之本。Appen 已在全球獲得 ISO 27001 等多項安全認證，並透過權限控管、數據加密傳輸、PII 資訊加密儲存等嚴格的數據安全策略，最大限度地保障客戶數據資產安全。

智能座艙：無偏見數據提升駕乘體驗

智能座艙的使用者體驗涵蓋了駕駛員和所有乘客，其目的是讓整體車內體驗更加智能和愉悅。這可能包括利用 AI 提高安全性或改進車載娛樂系統。研究表明，儘管消費者首次購買某特定品牌的汽車主要是基於其外觀特徵，但車內體驗則成為其回購的推動因素。

智能座艙主要採用 AI 元素，如語音辨識、人臉偵測、場景理解和自然語言處理等，共同創造出卓越的體驗，例如：

• 語音助理：語音助理讓消費者能以日常生活的口語方式與車輛互動，這不僅提供了更多便利，也比在駕駛時操作智慧型手機使用者介面（UI）更安全。要創建成功的語音助理，數據合作夥伴必須提供全方位的訓練數據集，包括語音採集、語音標註、轉錄和詞典建構等。雖然語音介面是未來的趨勢，但要讓它能被帶有不同口音和使用不同語言的人們共同使用，需要進行大量的機器模型訓練。例如，在中國，帶有方言的駕駛者可能需要重複多遍指令才能達成目標，這大幅增加了使用的難度。因此，引入自然語言理解以調整適用於超過 180 種語言和方言的模型，將能顯著改善用戶體驗。

• 駕駛員和乘客監控系統：此系統有助於確保駕駛員專注於路況並能安全操控車輛。同時，對乘客進行監控不僅能提升他們的車內體驗，還能確保他們不會分散駕駛員的注意力，進而保障駕駛安全。為了確保 AI 模型無偏見，數據合作夥伴應提供大量的多媒體數據，例如臉部和手勢標註，來支援追蹤模型的訓練。舉例來說，如果駕駛員監控系統的訓練數據是在一名安靜的乘客環境下採集的，那麼當車內坐滿了一家人或甚至有寵物時，該系統的反應表現就會不佳。

因此，確保多模式和多媒體的視覺與語音辨識系統能獲得足夠的無偏見訓練數據，需要能夠代表各地域、文化和性別的大量不同標註人員。Appen 專注於高品質且無偏見的訓練數據，擁有全球超過百萬的標註員，參與過各大汽車製造商的智能座艙專案，幫助其自信地部署智能駕駛汽車專案。