自动驾驶主流算法模型主要以有监督的深度学习方式为主，是基于已知变量和因变量推导函数关系的算法模型，需要大量的结构化标注数据对模型进行训练与调优。
在此基础上，想要让自动驾驶汽车更加“智能”、自动驾驶应用可以在不同垂直落地场景中形成可复制循环的商业模式闭环，背后就需要有海量且高质量的真实道路数据做支撑。
无论是在环境感知、精准定位、决策规划、控制与执行、高精地图与车联网V2X等领域的核心算法训练方面，还是在自动驾驶AI数据中台基础设施构建方面，曼孚科技自动驾驶数据解决方案均可以提供完备的数据服务能力，助力自动驾驶技术释放更多潜能。
一.数据标注解决方案
在自动驾驶领域，数据标注处理的场景通常包括换道超车、通过路口、无红绿灯控制的无保护左转、右转，以及一些复杂的长尾场景诸如闯红灯车辆、横穿马路的行人、路边违章停靠的车辆等。
SEED数据服务平台可以有效处理多场景、不同类型的非结构化数据集。
1.行人、车辆2D框
在自动驾驶场景中，物体检测技术可以有效帮助车辆识别、检测周围物体，为驾驶系统的判断决策做出重要支撑：
2.行人、车辆3D框
2D图像中的伪3D框，可以在2D图像中标注出对象的立体空间数据：
3.多段线
常见于车道线标注领域：
4.多边形
相较于2D框，多边形可以更精确地标注出对象的形状信息，帮助自动驾驶系统更准确地识别周围环境内容：
5.全景语义分割
全景语义分割在某种程度上可以理解为“多边形的合集”，语义分割的结果是将图像变成带有一定语义信息的色块并给每个像素都标注上其对应的标签：
6.ASR语音转写
ASR语音转写常用于自动驾驶系统中的语音助手领域，协助驾驶员更好地管理、控制车辆：
7.3D点云物体检测
相较于2D图像3D框标注，点云物体检测可以在3D点云图像中精确立体地描绘出物体的形状信息：
8.3D点云连续帧
点云连续帧标注场景下， 2D图像与3D点云数据一一映射，精确描绘出对象形状、运动轨迹等信息：
二.自动驾驶数据中台
随着自动驾驶在更多领域实现商业化应用，无论从数据量的增长、数据处理技术的进步，还是站在自动驾驶企业数字化转型的角度，自动驾驶企业都需要重新构建业务支撑体系，形成对各前台业务强力的支撑，让前台的一线业务变得更敏捷，也让全域数据实时在线，提高信息传递效率。
曼孚科技通过在自动驾驶企业内部搭建一体化整合式数据中台，让数据在平台与业务系统之间形成良性的闭环网络，为企业数据服务与共享奠定坚实基础，助力数据释放更多价值。
其中，REAP平台提供自动驾驶领域非结构化数据的采集、存储、循环、预处理，以及数据版本管理等服务，SEED平台提供自动驾驶领域非结构数据结构化服务，以供自动驾驶算法模型训练使用，两者共同构成曼孚科技数据中台解决方案的核心。
此外，BAKE平台还提供AI算法模型快速训练、数据验证等服务，其与数据中台一起构成一个完整的AI中台体系，形成一个自动化的、可持续性迭代的闭环循环。
目前，曼孚科技自动驾驶数据解决方案已经在多个领域实现落地应用，有效赋能自动驾驶需求方的数据处理能力，助力加速自动驾驶商业化落地进程。
**粗体** _斜体_ [链接](http://example.com) `代码` - 列表 > 引用。你还可以使用@来通知其他用户。