本平台用于管理自动驾驶所需的数据，包括传感器数据、标注数据、质量数据和成本数据。通过多传感器融合技术，提升数据质量和标注效率，降低人工成本。
采集来自激光雷达、摄像头、雷达、GPS/IMU的原始数据。
| 传感器类型 | 文件路径 | 时间戳 | 纬度 | 经度 |
|---|---|---|---|---|
| 摄像头 | /data/camera/image1.jpg | 1678886400000 | 39.9042 | 116.4074 |
| 激光雷达 | /data/lidar/pointcloud1.pcd | 1678886401000 | 39.9043 | 116.4075 |
使用YOLOv5、DETR、PointPillars、VoxelNet等算法进行目标检测与标注。
| 传感器数据ID | 标注类型 | 标注格式 | 文件路径 |
|---|---|---|---|
| sensor_123 | 2D | COCO | /data/annotations/sensor_123.json |
| sensor_456 | 3D | KITTI | /data/annotations/sensor_456.txt |
评估标注数据的质量，包括准确率、召回率、一致性等指标。
| 数据范围起始 | 数据范围结束 | 2D标注准确率 |
|---|---|---|
| 1677696000000 | 1677782400000 | 0.85 |
评估数据采集和标注的成本，包括软件成本、硬件成本、人工成本等。
| 数据范围起始 | 数据范围结束 | 总成本 |
|---|---|---|
| 1677696000000 | 1677782400000 | 50000 |
模型不确定性可视化功能可以帮助标注人员快速定位模型预测不准确的数据，从而提高标注效率，降低人工成本。
（此处为模型不确定性可视化的占位符，实际应用中需要集成相应的可视化组件。）
| 不确定性类型 | 描述 | 示例数据 |
|---|---|---|
| 遮挡物不确定性 | 模型难以检测被遮挡的物体。 | 图片中部分被车辆遮挡的行人。 |
| 光照不足不确定性 | 模型难以识别光照不足环境下的物体。 | 夜间道路上的模糊标线。 |
| 传感器噪声不确定性 | 传感器噪声导致模型预测不准确。 | 雨天激光雷达数据中无法准确识别的车辆。 |
| 领域迁移不确定性 | 模型遇到训练数据中未见过的物体。 | 道路上出现了一种新型工程车。 |
| 多传感器融合不确定性 | 激光雷达和相机数据对同一物体的定位存在差异。 | 激光雷达和相机对同一辆自行车的定位存在偏差。 |