上海2020年7月9日 /美通社/ -- 自动驾驶的发展离不开数据。近日，禾赛科技与Scale AI联合发布了自动驾驶开源数据集 -- PandaSet。PandaSet采用禾赛科技先进的激光雷达进行数据采集，并通过Scale AI强大的标注平台进行精准的数据标注，为从事自动驾驶研发的公司、机构和个人，提供了内容丰富、目标物密集的高质量免费数据。

盘点全球人工智能数据平台，Scale AI是当之无愧的领军者。这家由华裔青年Alexandr Wang在19岁时参与创立的公司，自成立以来一直深受投资者的青睐，仅用3年时间就成为了市值超10亿美元的独角兽企业。依托强大的技术实力，Scale AI结合人工标注、智能工具和标注质量保证体系，推出了面向传感器数据、图像、视频和文本的一系列标注产品，为人工智能应用提供了一流的培训和验证数据。而作为全球领先的激光雷达制造商，禾赛科技则凭借自主研发的微振镜和波形加密技术，始终引领传感器创新的发展方向，目前已布局400多项专利，客户遍布全球21个国家和地区的70座城市。此次禾赛科技与Scale AI携手打造PandaSet开源数据集，无疑为自动驾驶行业的发展注入了新的活力。

在自动驾驶的发展进程中，数据是处于核心地位的生产资料，代表着一家公司的核心竞争力，也决定着自动驾驶能否实现安全和稳定。以往，自动驾驶“玩家”对自己的数据普遍呈现出敏感的姿态，而随着自动驾驶的实现难度越来越浮出水面，大家也逐渐认识到单打独斗绝对不行，开放合作才是正途，于是开源数据集成为了很多自动驾驶公司的选择。

截至目前，Waymo、Cruise、百度、Uber、Lyft、Aptiv等全球领先的自动驾驶公司都已陆续开源了自己的数据集，对促进自动驾驶整体研发进程起到了举足轻重的作用。不过，开源数据集并不是自动驾驶公司的“专利”，传感器企业同样有能力在这一领域大显身手，甚至可能比自动驾驶公司做得更好。禾赛科技与Scale AI联合发布PandaSet就是很好的例子，它为自动驾驶行业链条上的很多企业开辟了崭新的发展思路。

PandaSet：疫情期间的一场及时雨

高质量标注数据是训练深度学习算法的“燃料”。目前，全球的自动驾驶公司所使用的深度学习算法，基本都需要使用标注数据来进行训练——只有通过不断学习标注数据，深度学习算法模型才能够帮助自动驾驶汽车更好地识别障碍物。而除了自动驾驶公司，其他自动驾驶算法开发者，例如学生、学术机构等，同样对高质量标注数据有着持续、强烈的需求。

然而，今年以来，受新冠肺炎疫情冲击，一大批自动驾驶公司不得不暂停路测工作，直接导致可用路测数据的减少甚至断供，对自动驾驶深度学习算法模型的训练造成了严重影响。 在这样的背景下，近日禾赛科技与Scale AI联合发布了PandaSet开源数据集，为众多自动驾驶算法开发者带来了一场及时雨。

PandaSet数据集采用2款激光雷达和6个摄像头进行数据采集，包含超过16000帧激光雷达点云和超过48000张照片，共100多个场景。除了激光雷达点云和照片外，数据集还包含GPS（全球定位系统）/IMU（惯性传感器）、标定参数、标注、SDK（软件开发工具包）等信息。

尤其值得关注的是，PandaSet数据集对100多个场景的每个场景都进行了目标检测，共检测28类物体；大多数场景还进行了语义分割，共37种语义标签。目标检测采用传统的长方体标注，例如，自行车和汽车可以用长方体线框框出来。而对于激光雷达点云数据，并非每个点都隶属于某一目标物，因此数据集还通过点云分割工具精确标注了每个点的语义标签。如此细腻的标注，也为深度学习算法模型提供了绝佳的数据资料。

对于一个自动驾驶数据集，场景的多样性和复杂性是衡量其优劣程度的重要标准之一。PandaSet数据集中的所有数据均采集自旧金山的城区道路和硅谷的郊区道路，这些道路涵盖了汽车、自行车、交通灯、行人、建筑物等各种各样的交通信息，是对自动驾驶挑战性最大的一类应用场景。此外，PandaSet数据集的数据覆盖了白天和黑夜，也让其具备了很强的适用性。

别被不可靠的数据集带沟里

对于自动驾驶研发者，如果想要训练出优秀的深度学习算法模型，就必须在选择数据集时格外擦亮双眼。因为一些不可靠的数据集，非但不能很好地训练算法，反而会给算法带来巨大危害，起到适得其反的作用。那么，什么样的数据集是不可靠的呢？简单来说，不准确、不完整的数据集就是不可靠的数据集。

一些不准确、不完整的数据集正在把自动驾驶汽车带沟里，其中也包括知名数据集。一个被广泛使用的、包含15000张图片的开源数据集，在该数据集中发现了数千张缺少标注的图片，其中有数百张甚至没有任何标注，但这些图片中确实有小汽车、卡车、自行车、街灯或行人。不仅如此，该数据集还存在虚假标注、复制粘贴的情况，有些标注框的体积明显超标。

“成千上万的学生都在使用开源数据集支持自己的自动驾驶项目，但质量堪忧的数据集极易误导算法模型，从而导致自动驾驶汽车做出糟糕决策，这对于自动驾驶的研发是灾难性的。”

事实上，数据集的准确性和完整性与数据采集、数据标注的流程密切相关。例如，在数据采集中，如果采集车搭载的传感器性能很差，那么采集到的数据质量一定也会很差，直接影响后续的标注及最终的使用。而在数据标注中，如果没有一套完整的标注方法，就很容易出现各种错误标记，如：未标出画面中存在的物体，反而标出不存在的物体，或者标注框没有贴合实际物体，甚至与实际物体发生大幅偏移。

对于如何打造一个高质量数据集，PandaSet是一个优秀案例。在数据采集中，PandaSet用于数据采集的两款激光雷达均为业内领先产品，这两款激光雷达由禾赛科技自主研发，一款是具有图像级分辨率的前向激光雷达PandarGT，另一款是64线机械旋转式激光雷达Pandar64，保证采集到的点云足够准确、清晰、细腻 -- 世界上现有的开源数据集普遍采集较早，还鲜有使用Pandar64和PandarGT这样的高性能激光雷达来采集数据。

此外，在数据标注中，负责该部分的Scale AI作为标注领域的翘楚，具有一套非常严格的标注体系，包括怎么标注、怎么检查、怎么复核、怎么对不合格的标注进行重新标注、怎么管理和考评负责标注的员工等。在整个标注流程中，Scale AI以人工作业为主，结合计算机辅助，充分保证了数据标注的完整性和准确性。

开源数据集是大势所趋

作为自动驾驶行业的领头羊，Waymo也在去年发布了自己的开源数据集Waymo Open Dataset。该数据集包含20万帧画面、1200万条3D标注和120万条2D注释。Waymo希望自家的数据集能够帮助研发者在2D和3D感知、场景理解、行为预测等方面取得进展，从而不断提高自动驾驶汽车的性能，并促进计算机视觉和机器人等其他相关领域的应用。

在Waymo发布开源数据集之前，Cruise、百度、Uber、Aptiv等处于领先梯队的自动驾驶公司都已发布了自己的开源数据集。而在Waymo发布开源数据集之后，又有多家公司发布了自动驾驶开源数据集，例如Lyft、福特、奥迪等。

通观自动驾驶开源数据集的发展历程可见，在PandaSet发布之前，开源数据集基本都是自动驾驶公司的“专利”。而禾赛科技的“入局”，则以传感器企业的特殊视角为这一领域添上了一抹亮色，同时也让人们看到了传感器企业在自动驾驶赛场上的更多可能性。

事实上，相比于那些自动驾驶“头部玩家”，传感器企业在开源数据集中的表现并不逊色。以PandaSet为例，该数据集就拥有其他很多数据集没有的优势：采集数据的传感器业内顶尖，采集场景多样化，采集信息密度高，数据标注详尽准确并进行了精细的语义分割。还有非常重要的一点就是，PandaSet面向学术及商业应用均完全开源免费——不像很多开源数据集其实是有商用限制的。不过，PandaSet也有其局限性，例如：总的场景量和数据量均不够大，缺少不同天气状况下的数据，缺少短距激光雷达数据。

当然，PandaSet对于禾赛科技和Scale AI都只是一个开端而已。未来，两家公司将继续深入合作，采用更高线数的激光雷达以及PandarQT等短距激光雷达，采集更多场景、更多数据，并进一步优化标注方法、标注流程，让数据集更丰富、全面，让细节更完美。

禾赛科技表示，参与开源数据集是一个非常正确的决定，不仅因为这是同行没做过的事，也因为可以从中取得很多收获。

“一方面，PandaSet数据集为自动驾驶行业丰富了数据，让研发者有更多、更全面、更高质量的数据可以应用和参考，特别是对那些缺少资金和渠道来获取可靠数据集的学生们，帮助巨大。另一方面，数据集也让更多人看到了禾赛激光雷达的表现，有助于吸引客户购买我们的产品。此外，数据采集过程涉及采集车的搭建、不同传感器的融合、多传感器之间的标定……这些都是自动驾驶公司做的事，对禾赛团队是前所未有的考验，也让我们在实践中大大提升了自己的能力。”

就目前而言，开源数据集是大势所趋，是利人利己的一件事。因为自动驾驶数据采集是一个周期长、地域广的超大型项目，如果各家企业都能将自己的数据进行共享，并吸引更多企业和研发者应用并补充数据集，就可以为整个行业大大缩减数据采集时间，从而促进自动驾驶早日实现商业化落地。而从企业自身出发，如果自家的数据或代码被广泛采用，甚至连竞争对手也大量采用，就相当于在业内树立起了一个非正式标准，对企业地位提升和长远发展意义重大。