对TeslaBot的看法
/p>
1)TeslaBot是什么?
①身高1.72m，重量57kg，负载20kg(手臂附加5kg)，行走速度2m/s;
②面部有一个重要信息显示屏，具有40个自由度，多颗机器视觉(autopilot)传感器作为感知入口，内置FSD芯片，同时具有一颗只读芯片确保安全，同时机器人具备人机协作的特点确保足够柔性和安全;
③集合了多摄像头视频神经网络规划能力、标记能力等，具备混合规划系统识别复杂目标并做出判断和执行，这是整个系统的核心，而驱控系统和核心传感器将由Tesla自研。
2)TeslaBot的意义何在/p>
①按照发布会的定义:将首先在重复、枯燥、危险的环境和工况下应用，最终将走向我们的家庭，以彻底的解决人工不断短缺的趋势;
②从既有的波士顿动力能够看到，从传感器到执行器能够工程落地具备可行性，缺少的是对现实复杂场景的感知、判断和决策，而这个部分Tesla在自动驾驶技术开发中已经积累了充分的应用;
③Tesla选择^了一个难度系数大，功能冗余的人形机器人用意还是做一个通用的人工智能的平台，以适度的超前思维平台化产品矩阵，也是对将来2年内批量生产打好基础。
)传统FA机器臂的发展方向
①将伴随着智能化的进程大量应用传感器(视觉为主)，并逐步导入由感知--决策--执行路径的自主决策系统，继而加速智能化和无人化;
②机电一体化大力推进，电机+减速器+编码器+控制板+刹车等组合的高度集成机电单元，将进一步推进行业硬件的标准化;
③设备的小型化、轻量化推动了驱控--体的发展，FA机器臂人机协作的比例逐步增
多，从而解决目前工业机器臂柔性不足的问题，且由FA逐步向B端以及C端逐步渗透。
4)TeslaBot相较FA协作机器臂(Cobot)的变化
①目前的协作机器臂的痛点还是不能移动，通常是由第三方集合AMR小车和协作机器臂通过项目的形式导入客户，而人形机器人则是完整的一个解决方案，整体性更佳;
②双臂更类人，符合譬如装配、搬运、家务等复杂场景的使用;而双足的通过性要强于轮式;设计的冗余通过工程和量产去做成本方面的平衡;
③最大的区别目前的协作机器臂只具备执行和简单的力感知，没有决策系统，整体还是属于第一代示教再生机器臂的范畴，Tesla将机器臂升级成机器人，对行业将起到重要的示范效应。
5)对于Teslabot的期待/p>
①Tesla核心参数去年就已经公布，预测原型机去年就已经定型，经过了一年的场景应用和算力训练，成熟度可期;
②人形机器人技术难度和工程难度比汽车要.低，相较为有限条件的自动驾驶，而且不大容易造成人身伤害，认为购买决策相较容易;
③特斯拉的工程化能力很强，从复用部分汽车供应链就可见，所以定价预计比较亲民,批量后定价将低于普通汽车，初代产品重在不同场景落地迭代。
6)四个维度寻找标的/p>
①传统机器臂产业链，认为绿的谐波、双环传动、汇川技术长期维度受益于FA机器人以及服务机器人的双重利好;
②特斯拉汽车产业链:三花智控、拓普集团供应逻辑较为清晰;
③看好以碳纤维为代表的新材料的应用，做到充分减重;
④建议重视国内.上市公司中的:柏楚电子，亿嘉和等有类似特斯拉人工智能技术路径标的。
数据标注行业，认为L+级别每辆汽车每天产生的数据量将高达GB，而自动驾驶感知技术是自动驾驶的核心技术之一，训练自动驾驶感知模型需要使用大量数据，数据标注行业中与自动驾驶相关的数据标注也因此得到快速;发展。
1)什么是数据标注?
数据标注是向训练数据集添加元数据的过程。这种元数据通常采用标签的形式，可以添加到任何类型的数据中，包括文本、图像和视频。添加高质量和高精准的标签是为机器学习开发训练数据集的一个关键过程。
人工智能数据标注是数据预处理中不可缺少的阶段，因为监督式机器学习模型可以学习识别标注数据中重复出现的模式。当一个算法处理了大量的标注数据后，算法可以在新的、未标记数据出现时识别相同的模式。因此，数据科学家需要使用清洗过后的标注数据来训练机器学习模型。
2)激光雷达放量，L4自动驾驶数据量增大，推动自动驾驶数据标注行业发展
由于绝对的无人驾驶/自动驾驶在实现路径上无法在短期达到最终形态，根据美国.NHTSA和SAE协会标准，自动驾驶根据其自动化程度的不同分为了“L0-L5”6个等级。目前在乘用车市场.上实现落地的自动驾驶技术处于L2级水平，市场渗透率正稳步提
升。实现的功能包括纵向的全速自适应巡航、横向的车道保持、低速场景的自动泊车等。根据IDC发布了《中国自动驾驶汽车市场数据追踪报告》，22Q1L2级自动驾驶在，乘用车市场的新车渗透率达2.2%，整个市场处于L2向L+级别发展的阶段。
L级别以上的自动驾驶系统主要由感知、定位、预测、决策和控制五部分构成，每部.分均不可或缺。其对于计算机视觉技术的需求依赖度较高，系统需要对传感器采集的点云图像数据进行实时处理，构建车辆行驶环境，为预测和决策做依据，这对算法的准确性和实时性考验极大。激光雷达降本后快速铺开，运用到L级以上自动驾驶中，数据量在L4级别每天产生的数据量将高达GB。
自动驾驶感知技术是自动驾驶的核心技术之一，训练自动驾驶感知模型需要使用大量数据，数据标注行业中与自动驾驶相关的数据标注也因此得到快速发展。
)行业门槛提升，供不应求
激光雷达铺开后标注从2D需求扩展到D需求，D标注需要实时分析大量的点云数据，对数据标注要求更高。
2D图像数据，通过摄像头进行采集，主要用于算法做2D目标检测、2D语义分割以及目标跟踪，涉及到的数据标注包含:点标注、线标注、框标注、语义分割。
D点云数据，通过激光雷达(LiDAR)进行采集，主要用于算法做D目标检测、D语义分割以及D目标跟踪，由于近年来激光雷达成本降低，D点云数据的量级呈现爆发性增加，涉及到的数据标注包含
点云框标注、2/D融合标注、D点云语义分割。
L级别以上自动驾驶需要大量的D点云数据支撑，D点云标注不仅要求对激光雷达回传的数据进行实时处理分析，大量的弯道车道线、日积月累的消耗和损坏等，带来的形状和反射率失真问题，也为识别准确率带来极大的挑战。
同时，L级以上自动驾驶对D标注需求增加，占比提升，数据量增大对标注成本和效率有不小的挑战。从人工标注到人机协同标注，人机协同标注在提升效率的同时能够节省大量成本。
4、自动驾驶数据标注相关公司
●4.1四维图新:公司已研发多项自动驾驶相关技术
●4.2海天瑞声:自动驾驶相关数据标注技术已基本覆盖
●4.ScaleAI:公司自动驾驶D标注相关业务起步较早
