数据标注占据了大量的人力和时间成本。随自动驾驶向高阶能力的发展，场景复杂度持续提升，会出现更多的难例场景。而提升车辆感知模型的精度，则对训练数据集的规模和质量都提出了更高要求。传统人工标注在效率和成本方面，已经难以满足模型训练对海量数据集的需求。

挑战3：仿真测试效率低

虚拟仿真是加速自动驾驶算法训练的有效手段，但仿真场景构建难、还原度低，尤其是一些复杂、危险场景，很难构建。加之并行仿真能力不足，仿真测试的效率低，算法的迭代周期过长。

挑战4：高精地图覆盖少

高精地图主要还是靠自采集、自制图，仅满足试验阶段指定道路的场景。后续要走向商用，扩展到全国各大城市的城区街道，在覆盖、动态更新，以及成本和效率方面都面临着非常突出的挑战。

图4：自动驾驶开发面临的四大挑战

加速自动驾驶开发，需构建一套开放的数据闭环系统