4、场景标注方法：语义标注、行为标注、危险度标注、标注一致性校验
场景标注这件事，说白了就是给场景打标签。你想想看，我们辛辛苦苦采集了几万公里的数据，生成了几千个场景片段，如果不做标注，这些数据就是一堆乱码。我刚开始做预期功能安全那会儿，就吃过这个亏——数据堆了一硬盘，结果要分析的时候根本找不到想要的场景。
嗯，今天我们就来聊聊场景标注的四个核心维度。我个人习惯把它们分成两类：一类是描述场景「是什么」的，另一类是描述场景「有多危险」的。
4.1 语义标注：给场景贴上「身份标签」
语义标注，说白了就是回答「这个场景里有什么」。比如：是白天还是黑夜？是晴天还是雨天？路上有没有行人？车道线清不清晰？
我在项目中遇到过最头疼的事，就是不同标注员对同一个场景的理解不一样。比如「能见度低」，有人觉得200米就算低，有人觉得50米才算。所以语义标注的第一步，一定是定义好标签体系。
语义标注的典型标签维度：
- 环境条件：光照（白天/黄昏/夜晚）、天气（晴/雨/雪/雾）、路面（干燥/湿滑/结冰）
- 道路结构：直道/弯道、路口类型（十字/丁字/环岛）、车道数、是否有中央隔离带
- 交通参与者：车辆（轿车/卡车/公交车）、行人（成人/儿童/群体）、非机动车
- 基础设施：交通信号灯状态、标志牌类型、护栏/路肩
这里有个小技巧：语义标注的粒度要跟你的功能设计对齐。如果你做的是AEB（自动紧急制动），那「行人突然横穿」这个标签就比「路上有人」有用得多。
4.2 行为标注：描述「发生了什么」
语义标注是静态的，行为标注是动态的。它要回答的是「这个场景里发生了什么动作」。比如：前车急刹、行人突然加速跑、旁边车道车辆强行加塞。
我记得有一次做L3级自动驾驶的测试，系统在高速上遇到前车减速，它处理得很好。但遇到前车「先减速、再加速、又突然减速」这种复杂行为时，系统就懵了。为什么？因为我们的行为标注里只标了「前车减速」，没标「前车犹豫」。你看，行为标注的粒度直接影响系统能力的边界。
行为标注的常见分类：
- 主车行为：加速、减速、转向、变道、停车
- 目标行为：匀速行驶、急刹、切入、切出、横穿、折返
- 交互行为：让行、抢行、跟随、超车、并线
- 异常行为：突然加速、蛇形行驶、逆向行驶、静止不动
我个人建议，行为标注最好用「动词+程度副词」的结构。比如「急刹」和「缓刹」要区分开，「快速切入」和「缓慢切入」也要区分开。你想想看，系统对这两种行为的响应策略是完全不同的。
4.3 危险度标注：给场景「打分」
危险度标注，这是预期功能安全里最核心的一步。它要回答的是「这个场景有多危险」。我见过很多团队，标注了几千个场景，结果分析的时候发现90%都是安全场景，真正有危险的没几个。这就是典型的「标注了，但没标到点子上」。
危险度标注一般用三个维度来评估：
| 维度 | 含义 | 等级示例 |
|---|---|---|
| 暴露概率 | 这个危险场景出现的频率 | E1（极少）~ E4（极高） |
| 可控性 | 驾驶员能否避免事故 | C1（容易控制）~ C3（难以控制） |
| 严重度 | 事故可能造成的伤害程度 | S1（轻伤）~ S3（死亡） |
注意：危险度标注不是拍脑袋定的。我曾经见过一个团队，把「行人横穿马路」标成了S3（最高严重度），但实际场景里车速只有20km/h。这种过度标注会导致后续的测试用例设计严重偏离实际。危险度一定要结合场景的上下文来定。
嗯，这里我分享一个我自己的做法：危险度标注最好采用「半自动+人工复核」的方式。先用规则引擎根据车速、距离、目标类型等参数自动计算一个初始危险度，然后由标注专家进行人工复核。这样既保证了效率，又避免了机器误判。
4.4 标注一致性校验：别让标注员「各自为政」
标注一致性校验，这是整个标注流程里最容易被忽视、但也是最重要的一环。你想想看，如果三个标注员对同一个场景给出了三种不同的标签，那这个标注还有什么意义？
我曾经在一个项目里做过统计：在没有一致性校验的情况下，不同标注员对「危险度」的标注一致性只有62%。也就是说，将近40%的场景，不同的人给出了不同的危险等级。这直接导致后续的验证结果不可信。
标注一致性校验通常包括三个方面：
- 标注员内部一致性：同一个标注员在不同时间对同一场景的标注是否一致
- 标注员间一致性：不同标注员对同一场景的标注是否一致
- 标注与真值一致性：标注结果与标准答案（如果有）是否一致
常用的校验指标：
- Cohen's Kappa：衡量两个标注员的一致性，值>0.8表示一致性良好
- Fleiss' Kappa：衡量多个标注员的一致性
- 准确率/召回率：与真值对比时的指标
我建议，一致性校验要贯穿整个标注流程，而不是到最后才做。每标注完100个场景，就抽10个做一致性检查。如果发现Kappa值低于0.7，就要停下来重新培训标注员，或者调整标签定义。
4.5 场景标注的整体流程
好了，上面四个维度都讲完了。我画了一张图，把整个场景标注的流程串起来，你一看就明白了。
从这张图你可以看到，四个标注维度是并行进行的，但一致性校验会贯穿始终。如果一致性不达标，就要反馈回去重新标注或调整标签定义。这个闭环很重要，我见过太多团队只做标注不做校验，结果标注库的质量根本没法保证。
我的经验之谈：
标注一致性校验最好在标注完成20%的时候就做一次全面检查。如果等到全部标注完才发现问题，返工的成本会让你哭的。我曾经在一个项目里，就是因为前期没做一致性检查，最后发现2000个场景里有600个需要重新标注，白白浪费了两周时间。
好了，场景标注的方法就讲到这里。记住一句话：标注的质量决定了场景库的价值。你标注得再漂亮，如果一致性差、粒度不对，那后面的验证工作就是空中楼阁。
公众号:蓝海资料掘金营，微信deep3321