|
作者：Mobileye 自動(dòng)駕駛的發(fā)展不僅僅是一個(gè)技術(shù)命題，同樣也是一個(gè)商業(yè)命題。從技術(shù)競爭為主導的上半場(chǎng)，到以商業(yè)化落地為主導的下半場(chǎng)，自動(dòng)駕駛技術(shù)的發(fā)展和應用需要緊密結合市場(chǎng)需求，企業(yè)需要探索可行的商業(yè)模式，以實(shí)現技術(shù)的規�；彤a(chǎn)業(yè)化落地。 “實(shí)現完全自動(dòng)駕駛之路如同一場(chǎng)馬拉松長(cháng)跑”，Mobileye創(chuàng )始人、總裁兼首席執行官Amnon Shashua教授在日前公司Driving AI Day活動(dòng)的演講中提到，“這不僅考驗著(zhù)企業(yè)的技術(shù)創(chuàng )新和產(chǎn)品開(kāi)發(fā)能力，還考驗著(zhù)企業(yè)的持續經(jīng)營(yíng)和盈利能力�！彼岬�，在Mobileye過(guò)去多年的支出中，每年僅用于研發(fā)自動(dòng)駕駛的投入就高達6億美元左右。在這場(chǎng)長(cháng)跑中，企業(yè)不能僅僅依賴(lài)外部資金的注入，更重要的是要找到合適的盈利模式，以保障業(yè)務(wù)的長(cháng)期可持續發(fā)展。 
Mobileye創(chuàng )始人、總裁兼首席執行官Amnon Shashua教授和首席技術(shù)官Shai Shalev-Shwartz教授 而對于Mobileye要如何實(shí)現完全自動(dòng)駕駛的規�；瘧鹇�，Amnon教授也給出了清晰的回答——復合人工智能系統（CAIS）。 什么是復合人工智能系統？ 復合人工智能系統（Compound AI Systems）最早是2024年初加州大學(xué)伯克利分校的AI研究實(shí)驗室網(wǎng)站上的一篇題為《從模型到復合人工智能系統的轉變》的博客文章中提出的。文章指出，最先進(jìn)的人工智能成果越來(lái)越多地產(chǎn)出于復雜的多組件復合系統，而非單一大模型。 與傳統的僅依賴(lài)單一人工智能模型的系統不同，復合人工智能系統強調多種工具和模塊的集成和共同協(xié)作，以高效處理人工智能任務(wù)。 這種集成方法提供了靈活性和適應性，允許系統根據不同的輸入和任務(wù)進(jìn)行調整。此外，復合系統通過(guò)不同組件實(shí)現冗余，確保系統的穩定性。復合人工智能系統也更加可解釋和透明，因為可以追蹤每個(gè)組件對最終輸出的貢獻。 Mobileye以攝像頭為中心的復合人工智能系統 所謂“以攝像頭為中心”，不同于“僅依賴(lài)攝像頭”，意味著(zhù)同時(shí)對更多類(lèi)型傳感器的采用也持開(kāi)放態(tài)度。例如，Mobileye內部在開(kāi)發(fā)成像雷達，還在“可脫眼”系統中集成了一個(gè)前向激光雷達。攝像頭和雷達的成本都相對較低，“可脫眼”系統配置的一個(gè)前向激光雷達的成本也很低，只需幾百美元。 所謂“復合”，是指一方面Mobileye積極采用前沿的AI技術(shù)，例如深度學(xué)習、端到端，同時(shí)也發(fā)揮自己在視覺(jué)算法方面的傳統優(yōu)勢，充分利用各種技術(shù)的優(yōu)勢，達到安全性和效率的最大化。 Amnon Shashua教授從四大維度深入審視了包括Mobileye自身“以攝像頭為中心的復合人工智能系統”在內的當前主流智駕方案技術(shù)路線(xiàn)，這些也是Mobileye為實(shí)現自動(dòng)駕駛下半場(chǎng)商業(yè)落地可行性的重要考量維度。 • 維度一：成本。在智駕的競爭中，成本是關(guān)鍵要素。高昂的研發(fā)和生產(chǎn)成本會(huì )直接影響到自動(dòng)駕駛技術(shù)的普及速度和范圍。成本是將Mobileye的技術(shù)路線(xiàn)與以激光雷達為中心的，配置大量昂貴傳感設備的技術(shù)方案在未來(lái)商業(yè)落地可行性層面拉開(kāi)差距的主要因素。 • 維度二：模塊化。Mobileye的復合人工智能系統在模塊化設計方面表現出色，這與Mobileye的經(jīng)營(yíng)理念緊密相連 —— 公司的產(chǎn)品組合涵蓋了從輔助駕駛到無(wú)人駕駛出租車(chē)（Robotaxi）的各個(gè)類(lèi)別，而模塊化意味著(zhù)可以提取系統中的某些模塊，并基于此打造成本更低的智駕或輔助駕駛系統，或者增加額外的冗余傳感器，以較小的投資實(shí)現向更高級別自動(dòng)化的逐步過(guò)渡。通過(guò)模塊化，將能夠更好地適應未來(lái)技術(shù)更新和市場(chǎng)需求的變化。 • 維度三：地域可擴展性。地域可擴展性是指方案擴展到其它地域的難易程度。這一點(diǎn)對于全球化或致力于拓展全球化布局的汽車(chē)制造商尤為重要。 • 維度四：平均故障間隔時(shí)間（MTBF）。MTBF即平均行駛多久需要進(jìn)行一次關(guān)鍵性的干預，是衡量系統可靠性的重要指標。相較于基于概率做出推斷式?jīng)Q策、不具有可解釋性的端到端技術(shù)路線(xiàn)，Mobileye通過(guò)嚴謹的數學(xué)計算，能夠得出復合人工智能系統的誤差水平，為實(shí)現可脫眼系統所需的MTBF（Mean time between failures，平均無(wú)故障工作時(shí)間）開(kāi)辟一條更為現實(shí)且可靠的路徑。 端到端——熱話(huà)題也需冷思考 在Mobileye的復合人工智能系統中，端到端是重要的組成部分之一。 Mobileye很早就看到了端到端的潛力，在其大規模流行之前，就開(kāi)始研究其在智駕領(lǐng)域的應用，也有積極采用端到端。早在2016年，Mobileye創(chuàng )始人、總裁兼首席執行官Amnon Shashua教授和Mobileye首席技術(shù)官Shai Shalev-Shwartz教授就發(fā)表了一篇闡釋端到端系統的論文。 但Mobileye認為，端到端應作為智駕子系統之一提供冗余，而僅依靠端到端則會(huì )出現問(wèn)題。
端到端方案的兩個(gè)前提及對應的現實(shí)情況 先來(lái)看端到端的兩個(gè)前提： 第一個(gè)前提：系統內部不存在任何粘合代碼，而是由一個(gè)“黑箱”操作的神經(jīng)網(wǎng)絡(luò )構成。該神經(jīng)網(wǎng)絡(luò )的輸入端接收來(lái)自攝像頭的傳感信息，輸出端則提供汽車(chē)的行駛方向和軌跡，最終輸出的是行動(dòng)決策。系統本身僅作為一個(gè)數據通道。隨著(zhù)越來(lái)越多的數據被添加，神經(jīng)網(wǎng)絡(luò )通過(guò)觀(guān)察人類(lèi)駕駛員的行為來(lái)學(xué)習駕駛技巧。同時(shí)，有數以百萬(wàn)計的汽車(chē)在不斷地發(fā)送行駛數據。由于不存在粘合代碼，隨著(zhù)時(shí)間的推移和數據量的增加，系統可以使用更多的數據進(jìn)行訓練，最終達到一個(gè)奇點(diǎn)水平，即達到或超越人類(lèi)駕駛員的能力。 但現實(shí)是：盡管號稱(chēng)無(wú)粘合代碼，實(shí)際上粘合代碼是確實(shí)存在的，只是以離線(xiàn)方式存在于系統中。在機器學(xué)習領(lǐng)域，尤其是在使用Transformer架構時(shí)，系統的任務(wù)是估算概率，即基于輸入數據預測行駛軌跡的可能性。這種預測更多地關(guān)注可能性的大小，而非預測結果的正確性。因此，神經(jīng)網(wǎng)絡(luò )并不真正了解如何區分“罕見(jiàn)但正確”與“常見(jiàn)但錯誤”之間的區別。只根據統計，系統會(huì )更偏向于選擇“常見(jiàn)但錯誤”的行為。 因為端到端系統只是估算概率，所以這種情況本質(zhì)上就無(wú)法避免。而我們當然不希望自動(dòng)駕駛汽車(chē)做出違反交規的行為。 為了解決這一問(wèn)題，需要在語(yǔ)言模型中引入基于人類(lèi)反饋的強化學(xué)習（RLHF）。對于端到端系統，就是在離線(xiàn)環(huán)境中，通過(guò)篩查和過(guò)濾機制，識別并剔除不良的人類(lèi)駕駛行為，例如粗暴駕駛、魯莽駕駛等。這一過(guò)程需要大量的工程技術(shù)和粘合代碼的支持，但這些工作都在離線(xiàn)環(huán)境中完成，而不是在線(xiàn)實(shí)時(shí)進(jìn)行。 因此，粘合代碼并沒(méi)有消失，而是從在線(xiàn)轉移到了離線(xiàn)環(huán)境。這就是所謂的“自動(dòng)駕駛對齊”問(wèn)題，即需要區分哪些行為是正確的，哪些是錯誤的。 第二個(gè)前提：訓練數據均為無(wú)監督數據，這意味著(zhù)僅包含原始圖像，沒(méi)有人對圖像中的數據進(jìn)行過(guò)標注。因此，系統必須能夠僅依賴(lài)無(wú)監督數據來(lái)實(shí)現足夠的平均故障間隔時(shí)間。 但現實(shí)是，僅靠無(wú)監督數據進(jìn)行訓練，端到端方案的準確率能從0很快地推進(jìn)到95%，但其所需的巨大成本、數據量和工程量也不容忽視。以現在的大語(yǔ)言模型和transformer為例，在從0—95%的階段，能夠實(shí)現相當大的飛躍，但無(wú)法達到100%準確，有時(shí)候會(huì )犯一些匪夷所思的錯誤。 對于事關(guān)安全的智駕，試錯空間極小，95%的安全性是遠遠不夠的。而僅依賴(lài)端到端，要想達到99.999999%的安全性是相當難的。 僅靠未經(jīng)標注的無(wú)監督數據進(jìn)行訓練，會(huì )帶來(lái)諸多問(wèn)題，例如： 計算器問(wèn)題：系統無(wú)法學(xué)會(huì )“長(cháng)乘法”，因為系統所看到的只是許多數對相乘的示例，從這些示例中不足以抽象出長(cháng)乘法的概念。因此在大語(yǔ)言模型中，不使用模型本身來(lái)輸出結果，而是通過(guò)將問(wèn)題轉化為Python代碼，由Python代碼直接調用計算器，才能解決這一問(wèn)題�！坝嬎闫鳌钡慕巧�，就是智駕系統為端到端注入的“抽象概念”的角色，即將具體的事物或行為抽象化，形成一般性的原則或規則。 捷徑學(xué)習問(wèn)題：“端到端方法”就是將所有傳感器的數據輸入到一個(gè)大型神經(jīng)網(wǎng)絡(luò )，然后對其進(jìn)行訓練。而輸入的信息中，因為有些信息的樣本復雜度低，意味著(zhù)你需要少量的數據便可以學(xué)習到模式，而有的則相反。例如，激光雷達就是一種低樣本復雜度的信息源，它是精確的三維傳感器，因此要進(jìn)行泛化，所需的數據量要遠遠少于攝像頭。而攝像頭則是高樣本復雜度的信息源。 當輸入來(lái)自不同的模態(tài)時(shí)，樣本復雜度不同。而端到端隨機梯度下降很難充分利用所有模態(tài)的優(yōu)勢，誤差達到一定程度后就很難再下降。 嚴格意義上倒也不是說(shuō)做不到，但所需要的時(shí)間之長(cháng)，完全不切實(shí)際。這就是“捷徑學(xué)習問(wèn)題”。 長(cháng)尾問(wèn)題：對于長(cháng)尾問(wèn)題有兩種假設，在樂(lè )觀(guān)的情況下，有些事件的概率相對較大，而有些則非常小，覆蓋一些邊緣事件就可以大幅度地減少總體概率質(zhì)量（probability mass）。這意味著(zhù)少數關(guān)鍵的邊緣事件可以顯著(zhù)提升系統性能，進(jìn)而實(shí)現更高的平均故障間隔時(shí)間；在悲觀(guān)的情況下，所有罕見(jiàn)的長(cháng)尾問(wèn)題其實(shí)概率都一樣非常小，每個(gè)邊緣事件對概率質(zhì)量的影響非常小。這意味著(zhù)即使處理了很多邊緣事件，系統的故障率仍然不會(huì )有顯著(zhù)改善。覆蓋所有這些邊緣情況需要很長(cháng)一段時(shí)間，長(cháng)到不切實(shí)際。 總體而言，端到端學(xué)習模型的優(yōu)勢是顯著(zhù)的。然而，如果僅依賴(lài)無(wú)監督數據，不引入抽象概念，不考慮長(cháng)尾問(wèn)題，而只是單純地向系統提供更多數據，那么是否能夠實(shí)現平均故障間隔時(shí)間的目標確實(shí)是一個(gè)值得探討的問(wèn)題。 Mobileye的復合人工智能系統如何破局并降低誤差 說(shuō)到將AI應用于汽車(chē)行業(yè)，Mobileye在這方面一直都是先行者。Mobileye一直致力于將最新的AI技術(shù)整合到自身軟件堆棧中。 每項技術(shù)都各有所長(cháng)。Mobileye也積極采用包括端到端在內的前沿技術(shù)，在下一代軟件中大量利用了端到端和Transformer，但不是拿來(lái)就用，而是會(huì )深入了解其優(yōu)劣勢，結合自身的經(jīng)典優(yōu)勢技術(shù)，取各自之所長(cháng)，重成本與效率，將最新的AI技術(shù)以安全和負責任的方式整合到產(chǎn)品中。 Mobileye的復合人工智能系統通過(guò)為端到端系統注入恰到好處的適量抽象概念，如RSS（責任敏感安全）模型，通過(guò)傳感器冗余、算法冗余，以及高階融合，能夠將總體誤差降至最低。 “偏差-方差權衡”以及抽象概念 前文中提到了端到端系統依靠無(wú)監督數據進(jìn)行訓練，按照概率分布做出決策判斷，就好像我們只從身邊的人的言行中學(xué)習，基于經(jīng)驗做出判斷，但是未必清楚核心的規則和原理。 而所謂“抽象概念”，就是規范了某些具體的概念、需要遵守的一般性原則或行為準則，而不僅僅是表面的、具體的模式，讓決策有據可依，提高規范性和安全性。 對于自動(dòng)駕駛，RSS模型，即Mobileye用于為駕駛決策提供安全保障的引擎，就是一種抽象概念。還有感知狀態(tài)，即基于輸入圖像輸出車(chē)輛位置、行人、所有道路使用者、車(chē)道標記、交通信號燈、交通標志等等，這都是根據人類(lèi)的經(jīng)驗來(lái)判斷哪些是重要信息，然后獲得相應的輸出，這就是我們所說(shuō)的抽象概念。 但抽象概念的注入要適量。為便于理解，這里講一下“偏差-方差”的概念。
機器學(xué)習中的“偏差-方差”權衡 偏差，又稱(chēng)“近似誤差”，是指學(xué)習系統無(wú)法反映現實(shí)的全部?jì)热�。注入抽象概念的程度稱(chēng)為偏差（Bias）。如果注入的抽象概念過(guò)多，就會(huì )產(chǎn)生近似誤差，也就是說(shuō)，模型的豐富程度以及容量并不能反映現實(shí)的豐富程度，在這種情況下，模型被過(guò)于局限了。過(guò)多的抽象概念、過(guò)多的偏差可能會(huì )因為近似誤差而導致系統出錯，因為這些都限制了系統的容量，神經(jīng)網(wǎng)絡(luò )的容量無(wú)法反映現實(shí)的豐富程度。 方差，也稱(chēng)“泛化誤差”，是指學(xué)習系統對觀(guān)察到的數據過(guò)度擬合，而無(wú)法泛化到從未見(jiàn)過(guò)的例子。如果不注入任何抽象概念，會(huì )產(chǎn)生很高的泛化誤差。隨著(zhù)注入偏差的增加，也就是注入抽象概念增多時(shí)，泛化誤差會(huì )下降。但凡事過(guò)猶不及，如果注入過(guò)多的抽象概念，系統容量就不足以反映現實(shí)的豐富程度。 學(xué)習模型的總誤差是近似誤差和泛化誤差的總和。因此，為最大程度減少誤差，需要對這兩個(gè)誤差進(jìn)行精細控制�？梢酝ㄟ^(guò)限定學(xué)習模型必須來(lái)自特定的模型族來(lái)減小泛化誤差，但如果所選擇的模型族無(wú)法反映現實(shí)的全部豐富性，就可能會(huì )引入偏差，因此兩者之間存在權衡。 因此，就需要注入恰到好處的適量抽象概念，達到最佳平衡點(diǎn)，使總體誤差最低。 落到Mobileye的具體工作中，其抽象概念是一套“感知-規控-執行”方法論。RSS模型就是一種大型抽象概念，還有運行的計算，分析計算等等，還有自動(dòng)緊急制動(dòng)（AEB）相關(guān)的“碰撞時(shí)間（TTC）”概念，也是抽象概念，應對長(cháng)乘法的計算器也是，諸如此類(lèi)，不一而足。 冗余設計和高階融合：以嚴謹的數學(xué)方式論證誤差 在談到“捷徑學(xué)習”問(wèn)題時(shí)，提到了端到端無(wú)法真正利用每種傳感器模態(tài)的優(yōu)勢，這種低階融合無(wú)法達到理想結果。 而且端到端本質(zhì)上是一個(gè)黑箱，不具有可解釋性。但自動(dòng)駕駛汽車(chē)的權衡規則必須公開(kāi)透明，使社會(huì )能夠通過(guò)監管解釋影響所有道路使用者的自動(dòng)駕駛決策。 最好的方式是建立一個(gè)可分解的系統，這樣一來(lái)，當出現錯誤時(shí)，就可以找出錯誤原因并只關(guān)注網(wǎng)絡(luò )出錯的那個(gè)區域，不會(huì )影響到其他地方。 Mobileye的復合人工智能系統旨在利用所有傳感器模式（包括攝像頭、雷達和激光雷達），按每種傳感器對系統進(jìn)行可分解訓練，然后進(jìn)行高級融合，從而對駕駛環(huán)境形成更深入、更精確的理解，并更有效地處理各種極端情況，輕松達到更低的誤差水平，這與完全的端到端系統或基于低階融合的系統相比更具優(yōu)勢。 高階融合中，有簡(jiǎn)單的部分，也有復雜的部分。 適用于二元決策的簡(jiǎn)單傳統融合：比如前方有一輛車(chē)，是踩剎車(chē)還是不踩剎車(chē)，這是一個(gè)二元決策。經(jīng)典的處理方式是采用“多數規則”，三個(gè)子系統里只要有兩個(gè)得到同樣結論，就滿(mǎn)足少數服從多數。每個(gè)子系統都會(huì )給出1或-1的輸出，即踩剎車(chē)或不踩剎車(chē)的決策。如果每個(gè)子系統犯錯的概率為ε，那么采用多數規則，會(huì )讓犯錯的概率降到ε2，包括漏檢或誤檢的概率都會(huì )降低。這就是傳統融合，屬于簡(jiǎn)單的部分。 適用于非二元決策的PGF（Primary-Guardian-Fallback）高階融合：有很多決策并非是二元的，也就是無(wú)法根據多數規則來(lái)做決策。舉個(gè)例子，在橫向控制情況下，比如說(shuō)車(chē)兩側各有一輛公交車(chē)，一個(gè)子系統告訴我們前方道路左轉，另一個(gè)子系統告訴我們前方道路直行，還有一個(gè)子系統告訴我們前方道路右轉。這里沒(méi)有“多數”的概念，該怎么辦呢？如果做了錯誤的決策，就會(huì )和旁側公交車(chē)發(fā)生碰撞事故。那么，問(wèn)題就來(lái)了：我們該如何進(jìn)行高階融合以做出非二元決策？
無(wú)法根據多數規則來(lái)做決策的非二元情況 概括地講，Mobileye構建了三個(gè)子系統，這三個(gè)子系統針對想要進(jìn)行高階融合的所有組件，不僅僅是攝像頭、雷達、激光雷達，而是包含了高階融合的所有方面。
構建PGF三個(gè)子系統以進(jìn)行高階融合 • “Primary”主系統：用于預測，例如預測車(chē)道位置 • “Fallback”備用系統：基于不同方法同樣做預測 • “Guardian”監護系統：負責檢查Primary主系統的預測是否正確 例如，前方道路是向右、向左還是直行，端到端網(wǎng)絡(luò )做出了判斷，Guardian監護系統同時(shí)也在執行它的檢查工作，每個(gè)系統出錯的概率均為ε。 如果Guardian監護系統認為Primary主系統的預測有效，就按此執行；否則會(huì )選擇Fallback備用系統。 經(jīng)證明，系統的總體誤差可以低至與多數規則相同的水平。 總的來(lái)說(shuō)，復合人工智能系統代表了人工智能發(fā)展的一個(gè)重要趨勢，即從單一模型的優(yōu)化轉向構建集成多種AI技術(shù)的復合系統，以實(shí)現更高效和強大的AI應用，滿(mǎn)足自動(dòng)駕駛應用對安全性、精確性的高要求。 更多Mobileye的最新技術(shù)創(chuàng )新，請觀(guān)看Mobileye Driving AI Day演講視頻回放。 100倍Transformer效率提升 Mobileye的復合人工智能框架由多個(gè)相互支持的組件構成，這些組件專(zhuān)為自動(dòng)駕駛而設計，旨在將端到端學(xué)習模型與專(zhuān)門(mén)算法相結合，以實(shí)現對Transformer和生成式AI的高效利用。 為了達成這一目標，Mobileye開(kāi)發(fā)專(zhuān)為自動(dòng)駕駛感知和規劃而優(yōu)化的Transformer模型。該模型在效率上相較于通用人工智能領(lǐng)域的最先進(jìn)模型提升了100倍，同時(shí)并未降低準確性。 具體實(shí)現方法為STAT（稀疏注意力），該技術(shù)通過(guò)將token分為不同類(lèi)型，并按類(lèi)型劃分相應的矩陣。這一過(guò)程類(lèi)似于將人群分成多個(gè)小組，每個(gè)小組由一位經(jīng)理負責，小組成員直接與經(jīng)理溝通，而經(jīng)理之間也進(jìn)行相互交流。通過(guò)這種有序的溝通機制，STAT技術(shù)顯著(zhù)提高了整體的工作效率。 EyeQ6H——效率的代名詞 Mobileye提出了能夠科學(xué)地反應芯片能力的指標——FPS（Frames per second），即每秒能夠處理的畫(huà)面幀數。相較于TOPS數值，FPS能夠科學(xué)地體現系統在現實(shí)中解決實(shí)際問(wèn)題的能力，因此可以作為更科學(xué)地衡量效率的指標。 Mobileye認為重視效率才是技術(shù)能力的體現�；谠谟嬎銠C視覺(jué)算法方面的深厚積累和經(jīng)典傳承，并結合在A(yíng)I深度學(xué)習方面的前沿突破，Mobileye在芯片設計上采用完全異構的計算架構，針對卷積和transformer等神經(jīng)網(wǎng)絡(luò )以及視覺(jué)運算的不同計算場(chǎng)景，將適合的運算任務(wù)分配到適合的核，提高芯片利用率，實(shí)現整體最有效的加速。相較于上一代EyeQ5H，EyeQ6H 有其2倍的Tops，卻達到了10倍的FPS。 自動(dòng)化數據標注，解決現實(shí)世界的數據難題 CAIS因為注入了抽象概念，因此僅需要少量的數據進(jìn)行訓練，但所需的必須是高質(zhì)量的數據。 Mobileye采取的方法是在離線(xiàn)環(huán)境中生成數據，無(wú)需占用車(chē)載計算資源。首先，基于大量的無(wú)監督數據訓練一個(gè)基礎模型，然后通過(guò)監督式微調來(lái)針對特定問(wèn)題進(jìn)行建模。 Mobileye開(kāi)發(fā)了一種針對圖像的基礎模型，該模型能夠理解每個(gè)像素的含義，并根據像素的語(yǔ)義屬性進(jìn)行聚類(lèi)。因此，該模型能夠識別圖像中每輛車(chē)、每個(gè)車(chē)道標記、每根桿子的位置等，最終創(chuàng )建自動(dòng)基準真值，以完全自動(dòng)化的方式建立對周?chē)h(huán)境的全面理解，從而能夠獲得非常豐富的現實(shí)表征，基本上能夠了解周?chē)總�(gè)像素的深度信息，然后利用這些高質(zhì)量的數據來(lái)訓練AI模型，而且生成這些標簽的成本為零，因為這一過(guò)程無(wú)需人工干預。 |
