在自动驾驶系统的研发过程中，数据标注是实现高性能感知模型的基础环节，其核心目标是将车辆从环境中采集到的原始感知数据（主要包括图像、点云、视频序列等）转化为具有语义信息的结构化标签。这些标签不仅构成了模型训练与评估的数据基础，也直接影响系统在实际道路环境中的识别、理解和决策能力。准确、系统的数据标注能够有效提升感知算法的鲁棒性与泛化能力，因此数据标注在整个自动驾驶技术体系中具有不可替代的重要性。之前就和大家聊过自动驾驶数据标注的含义及流程（相关阅读：什么是自动驾驶数据标注？如何好做数据标注？），今天就和大家聊聊自动驾驶数据标注主要标注些啥！

　　以图像数据为例，自动驾驶车辆搭载的前视、侧视及后视摄像头在不同时序中连续采集道路场景，标注工作首先聚焦于场景中关键目标的识别与定位，其中包括行驶车辆、非机动车、行人、交通标志、红绿灯、车道线、人行横道、减速带等目标对象。标注形式主要采用二维边界框（2D bounding box）、实例分割（instance segmentation）或语义分割　　（semantic segmentation）等方式，语义分割通过对图像中每个像素赋予明确的类别标签，实现高精度目标识别；实例分割则进一步区分同类物体之间的个体边界，便于系统对目标状态和行为进行独立建模。如多个并行行驶的车辆不仅要被识别为“车辆”类，还需要区分成“车辆A”、“车辆B”等，以供后续的轨迹预测与风险评估模块调用。

　　在三维空间建模中，激光雷达点云数据的标注则具有更高的空间复杂性。由于点云反映的是物体的空间分布结构，标注过程一般采用三维包围框（3D bounding box）的方式，记录目标物体在X、Y、Z坐标轴上的尺寸、中心点、朝向角和类别属性。一辆前方车辆的点云标签不仅包括其空间范围，还要精确到是否静止、缓行或变道等动态状态。在序列点云数据中，还需为每个目标在连续帧中赋予一致的标识符（object ID），构建目标在时间维度上的轨迹。这种“时间一致性标注”有助于算法学习目标的运动规律，为高精度预测模型提供时序特征输入。

　　除了单模态标注，自动驾驶系统中的多传感器融合也要求跨模态的数据标注。在图像与激光雷达融合的场景下，同一目标需要在不同模态下标注对应关系，这一过程依赖高精度的传感器外参标定。这就需要先在图像中完成二维目标标注，然后通过坐标转换映射至点云中定位目标在三维空间中的位置，再绘制三维包围框，实现图像与点云的同步语义对齐。这种融合标注不仅提高了模型在复杂场景下的识别准确性，也为后续的目标关联、多模态特征提取与时空建模提供了基础数据支撑。

　　在高精地图数据的构建过程中，标注则承担了对道路空间几何结构和语义要素的抽象与提取任务。标注内容包括车道中心线、车道边界、车道类型、交通标志位置信息、信号灯安装结构、道路坡度、曲率变化、限速信息等静态元素。这些信息通常以图层形式叠加在全球导航参考坐标系（如WGS-84）中，并与实时定位系统相匹配，使自动驾驶车辆能够在厘米级精度范围内感知自身相对位置，从而完成路径规划、变道判断及信号灯决策等关键操作。地图数据的标注不仅要求高空间精度，还必须与感知标注保持语义一致性，确保感知-地图联动模型的稳定性。

　　除了对于交通信息的标注外，标注还包括对整体环境状态的描述，如当前道路类型（城市道路、快速路、高速公路）、天气条件（晴、雨、雾、雪）、光照环境（白天、黄昏、夜间）及交通密度（稀疏、适中、拥堵）等。这些非结构化信息通常作为附加标签与主干感知数据一并存储，在模型训练过程中作为辅助输入，有助于提升模型在多样化场景下的适应能力，减少对极端天气或少见道路状态的误判风险。

　　行为层面的标注则更加聚焦于动态交通参与者的运动特征与意图识别。在连续图像或点云序列中，标注时需记录车辆、行人、自行车等目标的运动轨迹，并附加如加速、减速、转向、停止、横穿、等待等动态属性信息。这类标签不仅可以用于训练轨迹预测模型，也可用于建构高阶行为识别模型，使系统能够判断目标是否存在潜在风险或突发变动，从而及时调整驾驶策略。为了提升行为识别的细粒度表达，在某些项目中，还会对人类目标进行关键点标注（如头部、躯干、四肢关节）或动作标签（如挥手、回头、奔跑），为复杂交互环境下的意图推理提供先验数据。

　　数据标注的质量直接影响模型训练的效果与实际部署的安全性。因此，在整个标注流程中，质量控制是重中之重。项目团队会制定标准化的标注规范文档，明确目标分类标准、边界划定原则、遮挡处理策略、置信度打分机制等技术细则。标注人员需经过专业培训，通过考核后方可参与正式标注任务。标注完成后，还需经过至少两轮人工复审和一轮自动化脚本检测，确保数据在语义、空间、时间维度上的一致性。自动化检测可识别边框尺寸异常、类别不一致、ID漂移等问题，并输出修正建议供人工确认，从而保障数据集在大规模使用时具备稳定性和可重复性。

　　主机厂和技术公司通常基于自研标注平台，结合自采数据、场景采样机制和反馈式训练策略，形成持续迭代的数据闭环。特斯拉就通过“影子模式”在真实用户驾驶中采集系统误判样本，回流至数据标注团队进行再标注，形成模型优化的真实用例补集；Waymo则发布开放数据集，规范标注格式并设立数据挑战赛，推动行业间标注标准与评价体系趋同。百度Apollo、AutoX、Momenta等国内企业则通过在不同城市、不同交通规则下采集数据、定向标注、训练本地化模型，以提升在本地场景中的部署适应性。

　　综上所述，自动驾驶数据标注的核心任务是为算法提供准确、全面、时序一致且场景丰富的训练样本，涵盖从二维图像中的语义信息，到三维点云中的空间建模，再到多模态数据的融合对齐、高精地图的结构化表达以及动态行为的时序轨迹。在整个自动驾驶感知链条中，标注数据的标准化、系统性与质量保障是实现“机器理解世界”的根本前提，也是感知、预测、决策、控制四大模块协同运作的基础支撑。随着自动驾驶系统逐步走向量产应用，数据标注工作的科学性与工程能力将持续成为决定算法性能和系统安全性的关键因素之一。