高质量数据集典型案例 | 车内外人像动作及自动驾驶高质量数据集
车内外人像动作及自动驾驶高质量数据集
推荐单位：中国联合网络通信集团有限公司
申报单位：联通（广东）产业互联网有限公司、广州祺宸科技有限公司
一、背景
在自动驾驶技术愈发普及的今天，自动驾驶的安全性与准确性问题日益凸显。广东联通携手祺宸科技依托各自在标注及自动驾驶行业的能力深耕，旨在通过构建覆盖车内驾驶行为、车外行人意图与多模态环境感知的高质量数据集，解决复杂路况与极端天气下感知精度不足、行为理解不全面等问题，显著提升模型识别准确率与主动安全预警能力，助力自动驾驶系统稳定落地与推广应用。
车内外人像动作及自动驾驶高质量数据集构建流程
二、方案和成效
一是构建多模态高质量数据集，覆盖自动驾驶核心场景。聚焦车内驾驶行为、车外行人意图与多模态环境感知三大方向，采集包含近1亿张驾驶舱内典型驾驶状态及行人高风险行为的图片、视频数据，复杂路况、极端天气、弱纹理环境等600万帧多源感知场景的点云数据，形成结构化、标签体系完善的数据集，解决了自动驾驶在真实环境中感知精度不足、场景覆盖不全的问题。
二是引入智能预标注与多轮质控机制，显著提升数据标注效率与成果一致性。依托自研智能预标注算法，融合3D检测、BEV感知、多帧时序建模等技术，将标注效率提升70%以上，一致性提升至95%以上；配合人工精修与交叉质检，形成“机器先标—人工优化—模型复评”的高可信标注闭环，确保数据高质量交付。
三是实现高质量数据集在自动驾驶关键业务模块的落地应用。数据集已广泛服务于驾驶员疲劳检测、车外行人行为预测、交通意图理解与主动安全预警等核心业务场景，有效提升模型在复杂场景下的识别准确率20%以上，减少误检漏检率30%，助力自动驾驶系统在真实道路环境中稳定运行。
三、创新点
一是面向人车交互的动态行为精准感知。聚焦城市交通等关键场景，自研轻量化动捕与行为建模算法，识别“转头”“犹豫”等细微行为动作，模型识别准确率达92.5%；车内疲劳驾驶行为识别准确率达94.1%，为主动安全控制策略提供高可信数据支撑。
二是模型驱动的动态标注优化推进高质量数据集构建。引入“模型－人联合标注”机制，建立模型置信度回流系统，结合难样本主动识别与区域标注反馈优化，减少返工率超过40%，有效提升复杂数据任务的一致性控制与规模化交付效率。
三是极端环境下弱纹理场景感知数据的补充。在夜间、雨雾、逆光等复杂环境中，应用基于Transformer的图像增强+多帧时序聚合算法，弱纹理目标检测召回率提升21.7%，有效解决行业高误识难题。