1. 模块化：极致精细的“元素级”标注体系
（1）2D图像标注（适配摄像头传感器）
核心围绕摄像头采集的二维图像，开展像素级、精细化标注，为感知模块提供精准的环境语义与几何信息：
目标检测标注：通过矩形框（Bounding Box）精准标定图像中的车辆、行人、骑行者、交通标志、红绿灯等核心目标，要求实现像素级的边界精准（如红绿灯的灯色区域、车道线的虚实边缘），杜绝边界偏差导致的感知错误；
语义分割标注：采用像素级分割方式，精准区分并标注路沿、车道线、路面区域、各类障碍物、植被等环境元素，为规控模块提供精确的空间坐标参考，支撑路径规划与避障决策；
属性补充标注：针对标注目标的具体状态与特征进行补充标注，如车辆的刹车灯/转向灯开启状态、行人的年龄区间与性别、红绿灯的倒计时时长等，为人工编写的“If-Then”规则决策提供离散化的属性参数支撑。
（2）3D点云标注（适配激光雷达传感器）
针对激光雷达采集的稀疏、无语义的三维点云数据，开展高精度的三维标注，弥补2D图像标注在空间距离、深度信息上的不足：
3D框标注：在三维点云空间中，精准圈定各类目标物体，标注其长、宽、高尺寸、航向角及空间位置坐标，要求达到厘米级的标注精度——因为感知模块输出的距离偏差若达到几厘米，传递至规控模块就可能触发不必要的紧急制动，影响驾驶安全性；
点云分割标注：对三维点云进行语义分割，明确区分地面、各类动态障碍物、静态设施、植被等元素，解决激光雷达点云数据稀疏、无语义的核心问题，为融合感知提供基础；
多传感器融合标注：统一摄像头与激光雷达的坐标系，实现2D图像标注与3D点云标注的精准对齐，确保多传感器融合感知时，各类目标的信息能够相互匹配、互补，提升感知模块的鲁棒性。
（3）细分任务专属标注
模块化架构的“分而治之”逻辑，决定了其标注任务的碎片化特征：红绿灯识别、限速牌数值检测、路面坑洼与破损检测、施工区域识别等每个细分算法场景，都需要搭建独立的标注数据集，开展针对性标注，这种碎片化标注模式不仅增加了标注工作量，更推高了整体标注成本。
2. 端到端：行为导向的“动作+因果”标注体系
（1）核心行为标注（基于CAN总线数据）
端到端模型的监督信号直接来源于人类司机的驾驶行为，因此驾驶行为相关的标注是核心，这类数据主要通过车辆CAN总线采集，标注重点是行为的精准性与示范性：
控制信号标注：精准记录人类司机的驾驶控制操作，包括方向盘转角、加速踏板踩踏深度、刹车压力大小、档位切换状态等，这些数据将直接作为模型训练的核心监督信号；
轨迹信息标注：记录车辆在三维空间中的实时位置坐标、行驶速度、加速度变化，构建完整的行驶轨迹数据集，让模型学习不同场景下的合理行驶路径；
数据质量要求：标注数据必须是“金牌司机”的高质量示范数据——即驾驶行为规范、决策合理、无急刹、无违规操作，普通驾驶数据或不规范驾驶行为会误导模型学习，降低模型的决策安全性。
（2）因果逻辑标注（适配VLA/思维链建模）
为解决端到端模型“黑盒决策”的痛点，提升模型的可解释性与泛化能力，端到端路径新增了因果逻辑标注的需求，核心是建立“驾驶动作→环境诱因”的逻辑关联：
决策诱因标注：明确标注驾驶动作与环境因素之间的因果关系，例如“车辆减速→因为行人横穿马路”“路口左转→因为绿灯亮起且无对向车辆”“紧急制动→因为前车突发停车”，让模型理解决策背后的逻辑，而非单纯模仿动作；
语义关联标注：采用自然语言描述场景意图与决策逻辑，如“路口右转时主动避让非机动车”“雨天路面湿滑，降低车速保持安全车距”，支撑视觉-语言-动作（VLA）模型的训练，提升模型的可解释性；
场景标签标注：对标注数据对应的场景类型、风险等级进行分类标注，如场景类型（高速行驶、城市道路、乡村道路、雨天、夜间）、风险等级（常规场景、边缘场景、危险场景），用于后续数据筛选与模型针对性迭代。
（3）4D/世界模型相关标注（以自动标注为主）
端到端模型对标注数据的海量需求，催生了4D自动标注、世界模型等新型标注方式，这类标注不再依赖人工，而是通过技术手段实现自动化生成，标注形态也从“静态帧标注”转向“动态时空标注”：
4D时空标注：融合同一车辆或多辆车在不同时间经过同一路段的传感器数据，构建包含时间维度的高精度三维世界模型（即4D模型）。在该模型中，静态道路设施（如路灯、马路牙子）可通过多次观测实现精准标定；对于动态物体，可利用时序信息进行前后向推算，解决目标遮挡问题（如行人被建筑物遮挡2秒后，系统可通过轨迹一致性自动补齐其标签）；
占用网络（Occupancy）标注：将三维空间划分为海量细小的体素（Voxel），标注每个体素在未来一段时间内是否会被物体占用，为模型提供物理空间的动态预测能力。这类海量三维空间标注人工无法完成，必须依靠强大的离线大模型，通过多传感器融合技术自动生成；
世界模型自监督标注：世界模型通过自监督学习方式，学习预测未来几秒钟的环境演变趋势，此时“未来的真实传感器数据”就成为当下数据的标注标签。自动驾驶系统通过“预测未来→与真实未来比对→修正自身表征”的闭环，实现自监督学习，无需人工干预即可从数百万小时的自然驾驶录像中汲取训练养分，这类标注还包含对物理运动规律的隐含标注（如球类滚动后大概率有儿童跟随、雨天路面摩擦力下降需减速）。
