打开手机地图,输入目的地,一条规划好的路线瞬间呈现。这个过程中,地图后台在毫秒间调用了车道级导航数据、实时路况、红绿灯倒计时等海量信息。支撑这些功能运转的,是一张极其精细的数字路网——而绘制这张网的第一步,就是数据标注。没有标注,卫星影像和激光点云只是一堆彩色像素和坐标数字;标注之后,机器才能读懂哪里是路、哪里是桥、哪里禁止左转。从早期纯手工描图到如今算法自动生成,地图数据标注走过了一条并不轻松的演进之路。

二十年前的地图标注,是名副其实的“人海战术”。标注员坐在电脑前,把卫星照片放大到能看清每一棵树,然后用鼠标沿着道路边缘一点点描线。一条城市主干道,弯道多、岔口密,描完需要十几分钟。更麻烦的是属性标注:这条路是单行道还是双行道?限速多少?有没有公交专用道?这些信息卫星图上看不出来,只能靠外业人员骑着摩托车带着GPS设备实地采集,回来再手动录入。当时一家中型地图公司,标注团队动辄上千人,每年光人力成本就过亿。效率低不说,更新周期还长——一条新路通车,到出现在地图上,往往要等三到六个月。
转折点出现在2015年前后。深度学习在图像识别领域取得突破,地图厂商开始尝试用算法自动提取道路轮廓。原理不复杂:把大量人工标注过的卫星图喂给神经网络,让它学会区分路面、建筑、植被。训练成熟后,算法能在几分钟内处理完一个城市的影像,自动生成候选路网。标注员的工作从“描线”变成了“纠错”——检查算法输出的结果,删掉误识别的乡间小路,补上被树荫遮挡的断头路。效率提升立竿见影:过去需要三十人干一个月的活,现在三个人一周就能完成。但新问题也随之而来。
算法不是万能的。城市主干道识别准确率能到95%以上,可一旦进入城中村、工业园区或者山区盘山路,准确率就断崖式下跌。深圳白石洲的握手楼之间,最窄的巷子不到两米,卫星图上全是建筑阴影,算法根本分不清哪里是通道。再比如重庆的黄桷湾立交,五层结构、二十条匝道,连本地司机都容易走错,算法输出的拓扑关系经常把上下层连错。这时候还得靠人工——标注员需要结合街景照片、激光点云甚至外卖骑手的轨迹数据,一帧一帧地核对。智能工具把标注员从重复劳动中解放出来,却又把他们推向了更复杂、更依赖判断力的场景。
真正让标注行业发生质变的,是2020年后多源数据融合技术的成熟。现在的地图标注不再只依赖卫星影像,而是把激光雷达点云、街景全景图、车载摄像头视频、甚至用户手机里的GPS轨迹全部叠加在一起。激光点云能提供厘米级的三维坐标,街景图能看清交通标志上的文字,轨迹数据能验证道路的实际通行方向。标注员在一个统一的三维界面里操作,鼠标点一下就能调出对应位置的所有数据源。北京四环内一条复杂路口,过去需要三个人配合干两天,现在一个人半天就能完成。数据融合还带来了一个意外好处:不同来源的数据可以互相校验,比如点云显示有路但街景图被围墙挡住,系统会自动标记为“疑似封闭”,提醒标注员重点核查。
标注工具在进化,标注的对象也在膨胀。早期地图标注只管道路和POI(兴趣点),现在要标的东西多得多:车道线的虚实、导流带的位置、红绿灯的倒计时相位、甚至路边停车位的编号。高精地图兴起后,标注精度从米级跳到了厘米级。一条高速公路的标注数据,过去几十KB就够了,现在动辄几个GB。更棘手的是动态数据——施工路段的临时围挡、早晚高峰的潮汐车道、演唱会散场时的临时管制,这些信息变化快、生命周期短,靠传统的“采集-标注-发布”流程根本跟不上。有地图公司做过统计,一线城市每天发生的道路变更超过两千处,如果全靠人工标注,至少需要五百人的团队全天候轮班。
面对这种量级的挑战,行业正在往两个方向突围。一是众包标注,把简单任务拆解后分发给普通用户。比如地图App会弹出提示:“您刚才经过的路口新增了一条右转车道,请确认。”用户点一下“是”,这条信息就进入了待审核队列。这种方式能覆盖大量长尾场景,但质量控制是难题——有人会恶作剧,有人会看错。另一个方向是主动学习,让算法自己挑出“最不确定”的样本交给人工标注,标注完再喂回模型迭代。实践下来,同样的标注量,主动学习能让模型精度提升三成以上。不过这两个方向都还在摸索阶段,离大规模商用还有距离。
回过头看,地图数据标注的演进像一场没有终点的接力赛。手工时代拼的是耐心和人力,智能时代拼的是算法和算力,但核心矛盾始终没变:物理世界的复杂性,永远比数据模型预想的要多一层。算法能处理百分之九十的常规场景,剩下百分之十的极端情况——被洪水淹没的路段、临时搭建的便桥、因事故突然封闭的隧道——仍然需要人的判断。未来的标注模式大概率是人机协同:机器负责快速覆盖和初步筛选,人负责兜底和校验。至于完全无人的自动标注,在可预见的未来还看不到实现的可能。毕竟地图最终是给人用的,而人对世界的理解,本身就带着机器难以复制的灵活和常识。
