（一）人工地下车库特殊标志 2D 标注场景

1.光照不均匀，灯光反光、阴影交错，地面标识磨损、褪色严重；

2.大量标识尺寸偏小，远距离拍摄下属于小目标；

3.场景结构高度相似，容易造成模型混淆车位、通道；

4.现有公开数据集极少覆盖地下车库非标地面标识，长尾样本稀缺。

精准的 2D 边界框、多边形标注数据，能够帮助视觉感知模型识别行驶边界、规划泊车路线，避免车辆压线、碰撞墙体、错过车位，是实现全场景自动泊车不可或缺的训练素材。

（二）露天路面障碍物 2D 标注

减速带、井盖等路面静态目标

1.目标贴近地面，在画面中占比小，极易被模型漏检；

2.井盖纹理和路面高度接近，雨雪、污渍环境下辨识度进一步降低；

3.减速带样式不统一，新旧、破损减速带视觉特征差异大；

4.很多通用自动驾驶数据集直接忽略低矮路面障碍物，造成模型上路识别失效，带来颠簸、爆胎等安全风险。

不同于车辆、行人这类目标，路面障碍物直接关系底盘安全。依靠标准化 2D 标注数据集训练模型，让车辆提前识别、平稳减速绕行，补齐城市辅助驾驶的安全短板。

很多人认为 2D 标注只是简单画框，但车库标识、路面障碍物标注对标注规范一致性、边界精度、类别区分有着严苛要求：

1.类别精细化区分

需要清晰界定：完整井盖 / 破损井盖、连续减速带 / 分段减速带、车库导向箭头 / 禁停文字标识，不能笼统合并为 “路面物体”。类别划分模糊，会直接导致模型分类失效。

2.边界标注标准统一

井盖为圆形不规则目标、地面标识存在磨损边缘，团队必须统一标注规则：目标以可见轮廓为准，遮挡部分是否延伸框选、阴影区域如何界定。多人标注标准不一致，数据集将产生大量噪声。

3.复杂工况样本筛选

标注素材需要覆盖晴天、夜晚、雨天、逆光、污渍遮挡、标识褪色等多种工况，单一清晰图片训练出的模型不具备泛化能力。

4.人机协同标注管控

当前行业普遍采用 AI 预标注 + 人工复核模式。预标注工具容易漏检小目标井盖、昏暗车库标识，必须依靠标注人员二次修正，建立多级质检流程，严控漏标、错标。

现存挑战

第一，客户对交付质量要求高，质检成本高于普通标注；

第二，优质多样化采集素材获取存在门槛，缺少多元工况图像会限制数据集价值；

第三，自动化标注工具对低矮障碍物、昏暗地下场景预标注效果有限，短期依然依赖成熟标注人力。

自动驾驶的安全落地，藏在无数容易被忽略的细节里。看得见行人车辆只是基础，识别低矮的井盖、路面减速带，读懂地下车库错综复杂的地面标识，才能实现真正安全、流畅的全场景智能驾驶。

在数据标注行业洗牌时代，粗放式通用标注增长空间持续收窄，场景化、细粒度、垂直领域专项标注是长期发展主线。

聚焦地下车库特殊标志与露天路面障碍物这类细分 2D 标注赛道，深耕标准、严控质量、打造一体化数据集服务能力，既是顺应智能驾驶产业发展大势，也是标注企业实现差异化竞争、构建持续盈利空间的可靠路径。

END