【金猿企業展】某智慧出行平臺——數據智能基礎設施方案

尚躍智能企業

該企業獎由尚躍智能投遞并參與金猿組委會×數據猿×上海大數據聯盟共同推出的《2025中國大數據產業年度AI Infra領先企業》榜單/獎項評選。

某智慧出行平臺作為粵港澳大灣區智能出行領域的領軍者，正加速推進Robotaxi商業化運營及高級別智能駕駛功能（含城市NOA）的量產落地，持續領跑區域智能出行產業升級。在這一戰略進程中，海量、精準的標注數據是驅動算法迭代優化、保障功能安全驗證的核心“燃料”與關鍵“標尺”，更是某智慧出行平臺構筑技術壁壘的重要基石。

隨著業務的高速拓展，某智慧出行平臺每日產生大量的高質量原始數據，面對自動泊車、復雜城區NOA等高階場景對數據標注提出的精細化、專業化嚴苛要求，為聚焦核心技術研發與戰略布局，最大化提升數據轉化效率，某智慧出行平臺主動優化業務鏈路，決定將數據標注這一關鍵支撐環節，交由具備規模化交付能力、嚴苛質量管控體系與深厚智能駕駛場景理解的專業伙伴承接，構建穩定、高效、可靠的外部AI數據基礎設施，為核心業務賦能。

基于此，尚躍智能科技憑借自身核心優勢，成為某智慧出行平臺的核心數據合作伙伴，為其提供端到端、場景化的數據標注解決方案，助力某智慧出行平臺將海量原始數據高效、高質地轉化為驅動自動駕駛系統持續進化的核心資產，為其智能駕駛技術的快速迭代與商業化落地提供堅實保障。

時間周期：

項目開始時間：2024年6月（雙方簽署數據服務總協議，項目團隊入駐啟動）

中間重要時間節點：

2024年8月：完成數據預處理與清洗標準化流程（SOP）建立并驗證，首條自動化清洗流水線投入使用。

2024年10月：完成自動泊車（APA）場景專項標注團隊的組建、培訓與認證，實現該場景數據的穩定規模化交付。

2024年12月：完成高速及城市NOA場景標注規范聯合審定，并完成首批復雜交互場景數據的交付與驗收。

2025年2月：數據質量保障體系（涵蓋過程質檢、交叉復審、終驗抽樣）全面上線運行，質量指標（通過率）實現數字化、可視化監控。

2025年4月：服務產能全面爬坡，標注與質檢團隊總規模突破300人，具備支持多項目并行、日均數十萬幀級數據需求的交付能力。

項目完結時間：持續優化運營中（首期合約服務期至2025年12月底，目前已進入常態化服務與持續擴展階段）

AI Infra應用需求

本項目源自某智慧出行平臺對構建其外部化、專業化、工業化數據生產管線的明確需求。在AI Infra的框架下，數據標注并非孤立環節，而是連接數據采集與模型訓練的關鍵“生產車間”。某智慧出行平臺的需求具體體現在：

建立標準化數據預處理與清洗流水線：需要一個專業團隊，能夠高效處理多源異構的原始傳感器數據（如圖像、點云），完成解析、同步、質量初篩和合規化脫敏，為后續標注提供“潔凈”的原料。

實現大規模、場景化標注的規模化交付：需要一支超過千人的、經過嚴格培訓的專業標注團隊，能夠不間斷作業，以應對自動泊車（APA/AVP）中高精度的幾何標注、NOA中復雜的時序跟蹤與行為意圖標注等專項任務，滿足算法團隊持續增長的標注數據“胃口”。

構建車規級數據質量保障體系：需要一套超越行業平均水平的、貫穿生產全過程的多層級質檢與驗收流程，確保交付的每一幀標注數據都達到某智慧出行平臺定義的、近乎“零缺陷”的車規級安全標準，為算法安全保駕護航。

形成與研發流程無縫對接的交付機制：需要標注服務方能夠深度理解某智慧出行平臺的研發流程，按指定格式（如COCO、KITTI及自定義格式）打包交付，并能提供數據資產管理與溯源服務，使標注數據能夠快速、無縫地流入模型訓練環節，加速研發閉環。

面臨挑戰

數據復雜性與標注專業性的雙重挑戰：自動泊車場景中的魚眼圖像畸變校正、多視角幾何一致性問題；NOA場景中交通參與者長時序ID保持、復雜交互意圖判斷等，都要求標注員具備極高的專業素養和理解能力，培訓成本與難度巨大。

規模化作業下的質量一致性難題：在千人協同的作業規模下，如何確保不同標注員對同一復雜場景（如施工區、異形車輛）的標注標準絕對統一，避免因理解偏差導致的數據噪聲，是保障數據集整體質量的關鍵。

極端案例（Corner Case）的標注效率與準確率瓶頸：對于暴雨夜間被部分遮擋的故障車輛、非標準交通標志等罕見但至關重要的長尾場景，標注本身極其困難，且缺乏足夠樣本供標注員學習，容易成為質量洼地和效率黑洞。

嚴格的交付時效與車規級質量的平衡：某智慧出行平臺的算法迭代節奏要求數據交付必須“又快又好”。在緊張的交付周期內，同時滿足近乎苛刻的精度要求（如3D框IoU>0.9），對生產流程的設計、瓶頸環節的優化和異常情況的應急處理能力提出了極致要求。

與客戶內部流程的深度適配挑戰：需深刻理解某智慧出行平臺內部從問題定義（如某個特定Corner Case）到數據需求生成，再到模型訓練驗證的全流程，使我們的數據生產服務能靈活響應、精準對接，而非僵化地執行訂單。

戰略目標

1.核心能力升級目標（微觀精準落地）

標注效率突破：基于自主研發的 MetaAnnotate 智能標注中樞，實現多模態數據標注效率提升 150%，其中文本類標注單條任務處理時長從 3 分鐘壓縮至 1 分鐘內，圖像視頻類關鍵幀標注效率提升 2 倍，自動駕駛點云 - 障礙物聯合標注人均日處理量從 500 組提升至 1200 組。

數據質量精控：建立全流程質檢與審計閉環，將多領域數據交付準確率從 99% 提升至 99.9%，其中醫療、金融等專業領域標注錯誤率控制在 0.05% 以內，大模型微調訓練數據冗余率降至 5% 以下。

算力資源優化：搭建適配多模態數據處理的分布式算力集群，實現集群平均算力利用率從當前 45% 提升至 80%，支撐千億級參數大模型的評測集構建周期從 60 天縮短至 20 天，自動駕駛 4D 車道線標注的算力響應延遲低于 50 毫秒。

跨模態協同能力：構建文本 - 圖像 - 視頻 - 傳感器數據的統一對齊框架，實現多信號源數據同步精度誤差控制在 10 毫秒內，跨模態標注任務的流程銜接效率提升 3 倍，滿足具身智能、自動駕駛等復雜場景的協同標注需求。

2.業務生態構建目標（中觀價值延伸）

垂直領域覆蓋：3 年內實現 AI Infra 在醫療、能源、零售、Web3 等 12 個核心垂直領域的深度滲透，針對每個領域打造專屬數據處理模塊，其中醫療影像標注、區塊鏈數據合規處理等特色場景的市場占有率進入行業前 3。

客戶服務升級：建立從數據采集、標注到質檢交付的全鏈條 SOP 體系，實現大型企業客戶項目響應時效從 48 小時縮短至 12 小時，初創企業定制化需求交付周期平均壓縮 40%，客戶復購率提升至 85% 以上。

合作伙伴拓展：依托《南十字星跨洋聯盟》，聯合國內外 20家以上頂尖 AI 企業、科研機構共建數據標準生態，參與3-5 項行業數據標注規范制定，成為全球多模態數據處理領域的核心協作樞紐。

3.行業價值引領目標（宏觀戰略定位）

技術標準輸出：成為 AI 數據基礎設施領域的標桿企業，推動我國數據標注行業在多模態協同、4D 數據處理、跨境數據合規等領域的技術標準與國際接軌，填補行業在復雜場景數據處理規范上的空白。

產業賦能升級：通過高效、安全的 AI Infra 支撐，降低人工智能技術落地門檻，助力自動駕駛、具身智能、生成式 AI 等前沿領域的研發周期平均縮短 30%，推動國內 AI 產業整體創新效率提升。

數據安全保障：構建符合 GDPR、《中國數據安全法》的全域數據安全防護體系，打造 “安全隔離 - 合規審計 - 全程追溯” 的三重保障機制，成為行業數據安全合規處理的典范，筑牢人工智能產業發展的數據安全底座。

實施與部署過程

本項目是尚躍智能科技有限公司為某智慧出行平臺提供的、面向商業化自動駕駛（涵蓋自動泊車、高速及城市NOA）的端到端數據生產服務。我們的角色并非提供標注工具平臺，而是作為其核心的外部數據智能生產引擎，深度嵌入其自動駕駛研發閉環。我們通過專業化的流程設計、先進的技術賦能與規模化的運營管理，將某智慧出行平臺海量、原始的傳感器數據，高效、高質地轉化為可直接驅動算法迭代的標注數據資產。整個實施過程是一個體系化、精益化的數據流水線構建與優化過程。

第一階段：數據標準化預處理與清洗流水線建立 (2024年6月 - 2024年8月)

自動駕駛數據的復雜性首先體現在其“原始”狀態。我們首要任務是為某智慧出行平臺建立一套標準化的數據預處理與清洗流水線，確保輸入標注環節的數據是統一、干凈、可用的。

1.1多源異構數據接收與解析：

我們接管了某智慧出行平臺從Robotaxi車隊及測試車輛回傳的原始數據包。這些數據包格式不一（如ROS Bag、自定義二進制流），且包含了多傳感器（攝像頭、激光雷達、毫米波雷達、GPS/IMU）的異步原始數據。我們的工程團隊首先開發了自動化解析與同步服務。該服務能自動識別數據包版本、解密、解包，并利用時間戳和硬件同步信息，將不同傳感器的數據流在時間軸上精確對齊，輸出為按幀號或統一時間戳索引的標準化數據單元（如圖像序列、點云幀序列）。

1.2自動化質量初篩與臟數據過濾：

原始數據中存在大量無效或低質量片段，直接標注將造成巨大浪費。我們部署了基于規則的自動化初篩過濾器：

傳感器故障檢測：自動識別圖像傳感器過度曝光、欠曝光、鏡頭遮擋、激光雷達點云缺失或畸變等硬件問題。

場景有效性判斷：結合簡單的計算機視覺算法和GPS信息，過濾掉長時間靜止、在封閉停車場內等對算法訓練價值較低的片段。

關鍵場景提取：根據某智慧出行平臺定義的觸發信號（如駕駛員接管、AEB觸發、復雜路口通過），自動從長序列中截取包含高價值場景的“數據片段”，優先進入后續流程。

1.3數據脫敏與合規化處理：

為滿足數據安全與隱私法規要求，我們對所有圖像數據執行了自動化脫敏處理。利用我們的人臉、車牌檢測模型，對圖像中出現的可識別自然人臉和車牌進行實時的模糊或像素化處理，在保護隱私的同時，最大限度地保留了場景的原始信息，處理后的數據完全符合交付和訓練的合規要求。

第二階段：專業化、場景化的標注流水線設計與執行 (2024年9月 - 2025年3月)

清洗后的數據進入核心標注環節。我們針對自動駕駛，特別是某智慧出行平臺重點關注的自動泊車和NOA場景，設計了多條高度專業化、并行運行的標注流水線。

2.1 自動泊車（APA/AVP）專項數據標注：

該場景對精度要求極高，且涉及復雜的幾何關系。

多視圖聯合標注：對于環視泊車數據，我們采用同步標注法。標注員在同一工作界面中，同步看到四路魚眼鏡頭圖像及拼接后的俯視圖（BEV）。在俯視圖中標注一個3D車位框或障礙物輪廓后，系統會自動在對應的原始魚眼圖像中預生成投影區域，標注員進行微調確認，確保了多視角間絕對的幾何一致性。

雜車位與場景標注：我們制定了詳細的標注規范，涵蓋垂直/平行/斜列車位、劃線/非劃線車位、立柱/路緣石等障礙物類型。針對“窄車位泊入”、“原地揉庫”等復雜動作，我們要求對連續幀中的車輛與障礙物進行精細的2D/3D跟蹤標注，以支持軌跡規劃算法的訓練。

屬性精細化：除幾何框外，我們還為每個目標標注了大量屬性，如車位“是否可泊入”、障礙物“是否為可穿越的低矮障礙（如磚塊）”等，極大豐富了數據的語義層次。

2.2 導航輔助駕駛（NOA）專項數據標注：

NOA場景標注的核心在于對動態、交互行為的理解。

稠密時序跟蹤標注：我們執行嚴格的跨幀跟蹤標注。對于關鍵交通參與者（車輛、行人、非機動車），要求在整個場景片段（通常數百幀）中保持ID一致，并標注其完整的運動軌跡。這為預測模塊提供了至關重要的訓練數據。

車道結構與拓撲關系標注：不僅標注車道線（實線、虛線、雙黃線等），更關鍵的是標注車道中心線及其拓撲連接關系（如車道合并、分流），這是高精地圖構建與路徑規劃的基礎。

駕駛行為與意圖標簽：我們引入了高階語義標簽。標注員需要根據車輛軌跡、轉向燈狀態等信息，判斷并標注車輛的“行為意圖”，如“準備切入本車道”、“在路口有左轉意圖”。這直接服務于某智慧出行平臺的交互預測模型。

2.3 大規模協同標注運營管理：

為保障千人級標注團隊的效率與一致性，我們實施了科學的運營體系。

分層分級培訓與認證：針對不同場景（泊車、高速、城區）和不同任務類型（2D框、3D框、車道線、語義分割），我們設計了階梯式的培訓課程與嚴格的準入考試。標注員必須通過認證，才能承接相應任務。

動態任務分配與負載均衡：我們的任務調度系統根據數據優先級、場景復雜度、標注員專長和當前工作效率，實時進行動態任務打包與分配，確保整體吞吐量最大化，同時避免個體過載或閑置。

標注知識庫與即時答疑：我們建立了在線的標注知識庫和實時答疑頻道，針對標注過程中出現的邊緣案例（Corner Case），由資深標注專家快速給出裁決，并更新至知識庫，確保標準理解的統一性。

第三階段：多層級的質量保障體系構建 (貫穿項目全程，并于2025年1月體系化)

質量是自動駕駛數據的生命線。我們構建了“過程質檢+成果驗收”的雙重保障體系，將質量控制深度融入生產流水線。

3.1 自動化預檢與過程質檢：

算法輔助初檢：在標注任務提交前，系統會運行一系列輕量級算法進行預檢。例如，檢查3D框是否與地面點云有接觸、標注的車輛尺寸是否符合物理常識、同一目標在相鄰幀中的位置是否發生不合理跳變等，將明顯的錯誤攔截在提交前。

一標一檢與交叉復審：所有標注任務都遵循“一標一檢”原則，即每份標注成果必須由另一名標注員進行100%檢查。對于復雜場景（如擁擠路口）和關鍵對象（如橫穿行人、施工區域），則升級為“三標一審”甚至“多人交叉復審”，確保萬無一失。

3.2 專業化終驗與抽樣審計：

終驗團隊專業化：我們組建了獨立的終驗團隊，成員由最資深的標注專家和具備算法背景的質檢工程師組成。他們不僅檢查標注的準確性，更從算法訓練的需求出發，評估數據的整體質量和場景覆蓋度。

統計抽樣與Metrics考核：我們為某智慧出行平臺定義了明確的統計學數據質量度量標準（如mAP計算用的IoU閾值、屬性準確率）。終驗階段，按照方法進行抽樣檢查，并計算各項Metrics。只有批次數據達到合同約定的質量標準（如目標檢測框IoU>0.9的占比超過98%），才能準予交付。

爭議仲裁與閉環反饋：設立爭議仲裁機制。對于質檢中發現的有爭議的標注案例，由我方專家、某智慧出行平臺算法接口人共同評審，形成最終裁決。裁決結果即時反饋至標注團隊和知識庫，實現標準的持續校準與團隊能力的持續提升。

第四階段：標準化交付與資產化管理 (2025年4月 - 持續優化)

標注數據的價值在于其能被高效、無誤地使用。我們建立了標準化的交付與資產管理流程。

4.1 多格式標準化交付：

我們完全按照某智慧出行平臺模型訓練團隊要求的格式進行數據交付。這包括但不限于：

主流框架格式：如COCO（JSON）、KITTI（TXT）、Pascal VOC（XML）等。

自定義格式：根據某智慧出行平臺內部訓練框架的要求，定制生成特定的數據列表文件和標簽文件。

交付物包：每個交付批次均包含完整的標注數據、對應的原始數據索引、質量報告文檔及數據說明文檔，確保某智慧出行平臺團隊可“開箱即用”。

4.2 數據資產管理與溯源：

我們為某智慧出行平臺管理的所有已標注數據建立了資產目錄。每一條數據都帶有完整的元數據，包括：原始數據來源（車隊、時間、地點）、傳感器配置、清洗與標注的版本號、標注人員與質檢人員ID、質量評分、以及被用于訓練了哪個版本的哪個模型。這為某智慧出行平臺提供了強大的數據溯源能力和資產復用依據。

通過以上四個階段的精細化實施，我們為某智慧出行平臺構建了一條穩定、高效、高質量的外部數據生產線。這條生產線作為某智慧出行平臺AI Infra中至關重要的一環，持續為其自動駕駛算法注入經過精心加工的“高質量燃料”，直接支撐了其APA與NOA功能的快速迭代與性能提升，是其實現在商業化道路上加速奔跑的關鍵助力。

生態伙伴合作

云計算與存儲伙伴：我們與頭部云服務商合作，利用其高可靠、高并發的對象存儲與計算資源，搭建了支持全球千名標注員實時訪問與協作的數據分發與暫存環境，確保了海量數據傳輸的效率與安全。

數據安全與合規伙伴：我們引入了專業的第三方數據安全審計服務，并對接權威的脫敏算法提供商，確保所有數據處理流程符合國際國內隱私保護法規（如GDPR、國內個人信息保護法），為某智慧出行平臺交付完全合規的數據資產。

標注工具與效率軟件伙伴：我們不僅有自研的標注平臺，且與多家專業的標注工具軟件公司保持戰略合作。我們根據某智慧出行平臺的具體場景需求，推動這些合作伙伴進行工具鏈的定制化優化，并第一時間將最新效率工具引入我們的生產流程，保持技術先進性。

合作服務效果

交付規模與效率達成：截至2025年第二季度，我們已累計為某智慧出行平臺交付超過2000萬幀的高質量標注圖像與點云數據。在自動泊車場景數據生產上，整體效率提升超過300%，保障了其APA功能快速迭代的數據需求。

質量指標全面超越：交付數據在某智慧出行平臺的終驗中，平均批次驗收通過率穩定在98.8%，關鍵3D檢測框的IoU均值達到0.92，遠超合同基準，為某智慧出行平臺算法模型的性能提升提供了純凈、可靠的“Ground Truth”。

直接賦能業務進展：我們專項攻堅交付的復雜城區交互場景數據，有力支持了某智慧出行平臺城市NOA系統在預測模塊上的性能優化，使其在內部測試中的交通參與者軌跡預測誤差降低了22%。我們提供的高精度泊車場景數據，幫助其APA功能的泊入成功率在第三方測評中達到99% 的行業頂尖水平。

成本與敏捷性價值：我們的服務使某智慧出行平臺在無需巨額固定資產投入和團隊管理成本的情況下，獲得了可彈性伸縮的數據產能。當某智慧出行平臺臨時發起針對“雨霧天氣識別”的專項數據攻關時，我們能在72小時內組織起百人專項團隊并輸出合格樣本，展現了極高的業務敏捷性。

關于企業

·尚躍智能

尚躍智能科技河南有限公司 2019 年啟航，在鄭州、商丘、南通等多地設自建基地，是業內領先的 AI 基礎架構與數據智能服務商，專注提供高精度數據解決方案。公司多模態數據產品廣泛應用于自動駕駛、大模型、醫療等多領域頭部企業與機構。作為 AIIA 聯盟委員，旗下智馭數標是國家數據標注白皮書唯一專業投資機構，2025 年發布 MetaAnnotate 智能標注中樞，與多國機構共建南十字星跨洋聯盟。

·某智慧出行平臺

AI驅動的一站式出行服務商，深耕網約車、順風車、共享出行等多場景。依托大數據與智能調度技術，打通供需壁壘，實現高效派單、實時路況預警與個性化路線規劃。聚焦安全與便捷核心需求，搭建多重安全防護體系，融合綠色出行理念，為用戶提供經濟、舒適的出行解決方案。同時賦能司機與合作伙伴，構建“技術+服務+生態”的出行閉環，致力于以科技重塑城市出行格局，打造可持續發展的智慧交通新生態。

★以上由尚躍智能投遞申報的企業獎，最終將會角逐由金猿組委會×數據猿×上海大數據聯盟聯合推出的《2025中國大數據產業年度AI Infra領先企業》榜單/獎項。

該榜單最終將于1月上旬上海舉辦的“2025第八屆金猿大數據產業發展論壇——暨AI Infra & Data Agent趨勢論壇”現場首次揭曉榜單，并舉行頒獎儀式，歡迎報名蒞臨現場。