Pascal_VOC | 一种数据集类型，常用于图像中目标检测、分类或分割。 |
OpenData | 一种数据包格式，通常由自动驾驶车辆采集，包含车辆自身数据、规控数据、以及摄像头和雷达等传感器采集的数据。当前支持符合Octopus OpenData格式的数据上传到Octopus平台。 |
标定 | 车辆自身以及车上各传感器间的相对位置关系和观测角度等配置信息。 |
标签 | 基于一定场景特征，对数据进行分类。 |
标注 | 使用特定颜色、形状和名称，标识出图像中特定对象。标注后的图像可以形成数据集，用于模型训练。 |
点云 | 三维坐标系统中一组海量点的集合。在自动驾驶领域，通常指激光雷达收集到的所有反射点坐标的集合，包含三维坐标、反射强度等信息，用来检测和识别车行道路上的物体。 |
泛化 | 是指模型依据训练时使用的数据，针对以前未见过的新数据作出正确预测的能力。 |
仿真 | 通过软件模拟车辆及周围环境，对真实场景进行建模，利用自动驾驶算法还原行驶场景，测试自动驾驶车辆安全性。 |
高级驾驶辅助系统 | 高级辅助驾驶系统是辅助驾驶者进行汽车驾驶的车载系统，利用车上各种类型传感器，收集车内外环境数据，能够快速预知行驶安全性的主动安全技术。 |
过拟合 | 创建的模型与训练数据过于匹配，以致于模型对新数据无法做出正确预测。 |
接管 | 接管是自动驾驶系统与驾驶员之间对汽车管理责任的转换，即自动驾驶过程中，需要人工进行干预修正的行为，用来形成自动驾驶系统完善程度的考核指标。 |
接管大屏 | 大屏查看车辆行驶轨迹和人工接管等信息，方便定位接管原因。 |
精确率 | 一种模型评估的指标，针对预测结果，表示的是预测为正的样本中有多少是真正的正样本。 精确率=真正例TP/（真正例TP+假正例FP） |
均值平均精度 | 一种模型评估的指标，指的是不同目标检测类别、不同召回率上的精确率的平均值。 |
流水线 | 包括数据收集、处理数据等一系列流程，用于监管平台各作业流程。 |
模型 | 算法训练过程中，从数据集中学习内容表示形式，形成推理能力，可用于新数据集对同类内容进行自动标注。 |
难例 | 自动标注过程中导致损失值很大的一些样本，即模型很大概率检测错误的样本，需要通过人工筛选得到。 |
数据集 | 一组样本的集合，每个样本包含一个或多个特征。自动驾驶领域中，常将样本数据用于特定的模型训练。 |
桶 | 对象存储服务OBS中，用于存放对象的容器，桶名必须全局唯一。 |
推理 | 将训练过的模型应用于无标签样本，并作出预测，也即自动标注过程。 |
移动数据中心 | 华为公司基于自研CPU与AI处理器的异构计算平台，为智能驾驶提供强大的算力支持。 |
召回率 | 一种模型评估的指标，针对样本本身，表示的是样本中的正例有多少被预测正确。 召回率=真正例TP/（真正例TP+假负例FN） |
产物 | 编译产物，在Octopus仿真系统中简称产物，指的是项目编译后生成的可执行文件、静态或动态链接库，及其开发、编译、运行时所依赖的其他文件，所打包而成的“tar.gz”文件。 |
锚点 | 在Octopus标注平台点云标注类型中，车辆点云图像的标注框顶点与车辆实际顶点重合点为标注框锚点。3D点云图像的车辆标注框锚点可辅助确认车辆实际大小。 |
ODD筛选 | operational design domain，设计运行域。ODD筛选类别的建立参考NHTSA（美国国家公路交通安全管理局）发布的《A Framework for Automated Driving System Testable Cases and Scenarios》文献和德国Pegasus项目的场景分类体系，从道路、交通条件、环境条件等层次描述场景。 |
sotif风险 | 预期功能安全(sotif)关注的是由功能不足、或者由可合理预见的人员误用所导致的危害和风险，sotif测试时会事先进行风险分析，针对每个风险进行可接受性分析和场景测试。 |
数据脱敏 | 对某些敏感信息通过脱敏规则进行数据的变形，实现敏感隐私数据的可靠保护。 |
回放式仿真 | replay & simulation，简称resim。回放式仿真，基于用户上传的真实路测场景进行仿真评测。 |
假想 | 点云标注中，可能会出现标注对象点云图像不完整的情况。Octopus自研算法，假想不完整标注对象所属类别，标注完整。 |
Carla | 用于自动驾驶研究的开源仿真模拟器。 |