Waymo自2008年就開始研發自動駕駛，也是業內公認自動駕駛技術先行者，但在商業化道路上進展不利，只有軟硬一體才是自動駕駛的出路，所以自研芯片后的Waymo或許能翻身，雖然自研芯片有點晚了。 ? 有關Waymo的自動駕駛訓練數據集（Waymo Open Dataset，簡稱WOD）或者說公開Benchmark有兩篇論文，一篇是2020年5月的《Scalability in Perception for Autonomous Driving: Waymo Open Dataset》，另一篇是2021年4月的《Large Scale Interactive Motion Forecasting for Autonomous Driving:The WAYMO OPEN MOTION DATASET》。 ?

WOD也分成兩部分，一部分是Perceptiondataset，有2030個場景，目前最新版為2022年6月升級的v1.4；另一部分是Motion dataset，有目標軌跡追蹤和3D同步地圖，有103354個場景，目前最新版為2021年8月升級的v1.1版。 ? 谷歌舉辦過WayMo Open Dataset Challenge，響應者不少，3D Detection的第一名是國內知名芯片公司地平線，第二名是香港中文大學，第三名則是致力商用車無人駕駛的圖森未來。2DDetection方面，圖森未來、同濟大學和中科院第一，地平線第二，中山大學和華為諾亞方舟實驗室第三。Waymo在業內的地位可見一斑。

首先來看Perception dataset。 ?

Waymo的傳感器布局，有多達5個激光雷達，前面左中右各一個，車頂一個，車尾一個。5個攝像頭也都在車頂。

上表的“Ours”就是Waymo的數據集，這是4個數據集的對比，KITTI用的是一臺Velodyne的HDL-64E 64線激光雷達，早期產品單回波下其每秒有130萬點輸出，后來的HDL-64E S3雙回波是220萬點每秒輸出。未知KITTI是用的單回波還是雙回波，早期激光雷達單回波的可能性大一點。盡管Waymo用了5個激光雷達，但每幀平均點數比KITTI沒高太多，并且Waymo的5個激光雷達均是雙回波。

上表為Waymo激光雷達的參數，并未公布每秒輸出點數，Waymo自制的激光雷達應該不如Velodyne的HDL-64E 。HDL-64E的VFOV是+2°至-24.8°，垂直角分辨率是0.4°，Waymo的VFOV是20°，如果也是64線的話，那么垂直角度分辨率應該是0.3°。

上表為Waymo 5個攝像頭參數，最高只有200萬像素，而Waymo聲稱自己的無人車用了500萬像素的攝像頭，并且有些媒體聲稱使用了14個500萬像素攝像頭，顯然是夸張了，Waymo不會為測試數據集單獨搞一套傳感器配置，Waymo無人車的實際像素應該就是200萬。 ?

坐標系方面，采用右手規則。全局坐標是East-North-Up體系，車輛姿態與全局坐標系定義為4*4變換矩陣。A vehicle pose is defined as a 4x4 transform matrix from the vehicleframe to the global frame。相機坐標系方面，使用外參矩陣，即從全局（世界）坐標系到相機坐標系的變換。激光雷達使用直角坐標系。

? 標注方面，每一個3D物體都有7自由度的標注，包括基于中央坐標點的長寬高以及3D Box的長寬高，還有航向角。當然還有物體的ID和分類。對于鳥瞰（BEV）3D目標，設置為5自由度，不需要基于中央坐標點的長寬高。

? 標注方面，考慮到了人工標注費時費力，和華為一樣，Waymo也有半監督學習，也就是偽標簽學習，也有叫自動標簽系統，這些非人工標注的自然是偽標簽，但其也并非完全的毫無根據。首先，在人工標注真值的數據上訓練模型，然后使用經過訓練的模型來預測無標簽數據的標簽，從而創建偽標簽。此外，將標簽數據和新生成的偽標簽數據結合起來作為新的訓練數據。大量使用自動標簽或偽標簽就是半監督學習。這樣的結果肯定不如全人工標注來得好，可是就算Waymo財大氣粗也得考慮成本，這種3D目標標注是需要標注工具的，且異常枯燥無味，至少要理科院校的大一學生才能勝任，同時還要心細，不嫌枯燥，這種人是不好找的，成本不低。

Waymo的3D自動標簽管線

與其他家不同的是Waymo使用非板載系統進行自動標簽，Waymo認為板載系統資源受到限制，效果不會太好，所以稱之為《Offboard 3D Object Detection from Point Cloud Sequences》。

感知WOD有2030個場景，分訓練和評估兩部分，主要在鳳凰城、山景城和舊金山采集，大部分為白天，天氣晴好。訓練集解壓縮后大小為812.7GB，驗證集為204.9GB。 ? ? ?

感知WOD分4大類，3D目標檢測與追蹤，2D目標檢測與追蹤。

單一目標的測試基準線

多目標包含追蹤的測試基準線

高于基準線就可算優秀，Waymo對車輛檢測IoU設置為0.7，行人為0.5，行人的閾值較低，這也可看出行人檢測難度很高。 ? WOD的感知測試數據集平平無奇，不過動作預測測試數據集可謂獨樹一幟，非常有水平。它包含103,354 segments，每個segment長度為20s，10Hz，包含object tracks和map data，這些segment又被分成9s的窗口，包括1s歷史和8s未來。覆蓋6個城市，1750公里的里程，570小時的駕駛時間。

包含場景預測和動作預測的數據集對比，“Ours”就是Waymo，Lyft雖有1118小時，但只有10公里，樣本量太少了。Argo的時間太短，只有5秒，前后關聯性不明顯，缺乏預測的意義。有3D Box標注的只有Waymo和安波福，但安波福的幀率太低了，只有2Hz，就算市區低速場景也太低。綜合看只有Waymo的場景預測和動作預測的數據集才真正有意義。Waymo覆蓋六個城市，包括鳳凰城、舊金山、西雅圖、山景城、底特律和洛杉磯。 ? 對于無人駕駛來說，最難的就是預測行人或車輛的下一步軌跡，即行為預測或動作軌跡預測。這已經超越了感知那個地步，但需要良好的3D感知和軌跡追蹤能力做基礎，行為預測通常都使用LTSM，而不是CNN。絕大多數數據集的核心還是感知，而Waymo要更進一步。?

數據集中訓練占70%，包括未來軌跡真值，validation占15%，測試占15%。每個場景有20秒時間，Scenario代表一個場景，也就是一段時間內的交通情況，包括自動駕駛車自身，其它的交通參與者（車輛、行人），以及交通燈在20s內的軌跡和狀態，同時還包括了道路信息即地圖。也就是說Scenario是一條數據的最小單元。從20秒內抽出9.1秒的時間窗口，頻率為10Hz，即91幀，10個歷史樣本，1個現在時樣本，80個未來幀，也就是說要預測未來8秒的行動軌跡，Waymo認為預測時間越長越安全。 ? 標注系統和感知數據集一樣，也是別出心裁的自動標簽系統。論文為《Auto4D: Learning to Label 4D Objects from Sequential Point Clouds》所謂4D就是加了時間戳。順便說一句，這篇論文不是Waymo的，而是Uber和多倫多大學的。

4D自動標簽系統

Waymo Open Motion Dataset示例

預測評價指標有平均位移誤差：Average displacement error（ADE），每個預測位置和每個真值位置之間的平均歐式距離差值。 ?

終點位移誤差（Final displacement error，簡稱FDE）：終點預測位置和終點真值位置之間的平均歐式距離差值。

空間重疊率（Overlap Rate）：總重疊數與進行多模態預測次數的比值。一個樣本e對應的一次多模態預測中，最高置信度的預測里，每一個時間步step，一個對象與另一個真實情況或該預測情況的其他對象的3D邊界框存在重疊，則重疊數加1。

漏檢率（Miss Rate，簡稱MR）：整個數據集在t時刻的錯誤比例。對于一個樣本，給定t時刻，所有K個聯合預測，都存在某個對象a的位置，其指示函數IsMatch(.)為0，則該時刻MR為1。

平均精度期望（mAP）：先對每個對象的真實軌跡按定義的運動方向分為8類（buckets），用上面的IsMatch(.)來定義TP，FP等（但是對于都Match的情況，僅認為置信度高的為TP），在各類內按置信度排序TP、FP后，根據各個TP的準確度（precision）求平均（置信度越高的TP排在前面，對AP的影響越大），再對各個類別的AP求算數平均。

Waymo的Baseline基線成績，rg代表道路拓撲，ts代表交通信號，hi代表high-order interactions，rg基本可看做高精度地圖，這對模型預測很有幫助。mAP的值遠低于3D目標檢測，顯然預測目標軌跡的深度學習還非常不成熟。

交互式interactive的成績就更差了，顯然預測目標軌跡的深度學習還有很長的路要走。

編輯：黃飛

?