智能驾驶与计算架构（中篇共上中下3篇）

智能驾驶与计算架构

第4章

智能驾驶硬件平台

智能驾驶教学团队1智能驾驶基础硬件平台_x0008_

2硬件平台设计方案3硬件平台设计规范4案例：典型计算平台智能驾驶计算概述智能驾驶硬件平台包括传感器、计算平台、通信和定位系统等多个关键部分，共同实现感知、决策和控制功能。本章在第3章芯片基础上，学习硬件平台基础架构、不同等级下的设计方案，以及典型计算平台案例。学习目标：了解智能驾驶硬件平台常见主流计算架构。了解不同等级下的智能驾驶硬件设计方案及典型案例。理解智能驾驶硬件设计规则中的安全性要求基本原理。掌握智能驾驶硬件平台常见传感器及其布局。硬件单元摄像头是智能驾驶最核心的传感器，按镜头和布置方式分为单目、双目、三目和环视四种类型。单目：算法成熟，但视野与远距离不可兼得，测距精度低。双目：通过像素偏移量和基线计算深度，但标定要求高。三目：三个不同焦距摄像头（窄视野250m、主视野150m、宽视野60m），弥补视野与距离矛盾。环视：鱼眼镜头，安装于前后保险杠和左右后视镜，拼接成俯视图（AVM），用于5~10m内障碍物检测和泊车。传感器布局传感器布局与智能驾驶功能等级密切相关，L2以朝前为主，L2+需要360°覆盖，泊车场景依赖鱼眼摄像头。L2：面向高速，传感器以朝前为主（摄像头、毫米波雷达、固态激光雷达覆盖前视）。L2+：面向城区，前视采用中远近三目（最远250m），周视采用多个窄角摄像头构成360°覆盖。泊车：4颗鱼眼摄像头（安装位置低）+超声波传感器+角雷达，覆盖20m内近距离环境。真实案例：小鹏XPILOT3.0（13摄像头、5毫米波雷达、12超声波）；小马智行第六代（23个传感器，含4个固态激光雷达）。激光雷达激光雷达具有测距精度高（毫米级）、探测距离远（最远300m）的特点，但成本高且易受雨雪天气影响。工作原理：发射激光脉冲，接收反射信号，获取距离、方位、高度、速度等参数。激光雷达激光雷达具有测距精度高（毫米级）、探测距离远（最远300m）的特点，但成本高且易受雨雪天气影响。点云数据处理：数据预处理→聚类（距离/反射强度）→特征提取→分类。应用：障碍物检测与分割、可通行空间检测、高精地图制图与定位、障碍物轨迹预测。控制单元与ECU演进域控制器（DCU）将分散的ECU集中化，是汽车电子电气架构从分布式向中央计算演进的关键。ECU分类：传感器ECU（识别环境）、主ECU（数据处理和判断）、执行元件ECU（驾驶操作）。域型vs区型：域型按功能分组（ADAS/座舱/底盘），区型按车身位置集中，中央计算机统一处理。控制单元与ECU演进域控制器（DCU）将分散的ECU集中化，是汽车电子电气架构从分布式向中央计算演进的关键。DCU优势：整合多个ECU，实现信息互联互通和资源共享，软件可升级，降低线束复杂度。EEA演进：分布式（L0~L2）→域集中式（L3开始）→中央计算（特斯拉Model3）。GPS与IMUGPS+IMU是自动驾驶领域的"黄金搭档"，GPS提供全局修正，IMU提供高频位姿推算。GPS：三角定位法，差分GPS可将精度从10m提升至米级。高楼环境存在遮挡和多路径信号问题，频率仅10Hz。IMU：以牛顿力学定律为基础，测量加速度和角速度，积分得速度和位置。频率>100Hz，短期精度高但累积误差大。融合机制：每100ms用GPS修正，中间IMU预测9次，实现100Hz高频稳定定位输出。硬件平台设计方案自动驾驶分级（NHTSA/SAE/国内）从L0到L5，L3是驾驶员与系统责任转移的重要分水岭。NHTSA（4级）：L0无自动化、L1特定功能、L2组合功能、L3有限度自动驾驶、L4全自动驾驶。SAE（6级）：L0无自动化、L1驾驶辅助、L2部分自动化、L3有条件自动化、L4高度自动化、L5完全自动化。国内（GB/T40429—2021）：0级应急辅助、1级部分驾驶辅助、2级组合驾驶辅助、3级有条件自动驾驶、4级高度自动驾驶、5级完全自动驾驶。不同等级硬件设计方案L2+行泊一体方案追求高性价比，而全场景智能驾驶方案（SuperDrive）追求拟人化体验和端到端技术。HorizonMono2（高性价比）：单颗征程2芯片处理单目前视摄像头，实现FCW、LDW、AEB、ACC、LKA、TJA等ADAS基础功能。不同等级硬件设计方案L2+行泊一体方案追求高性价比，而全场景智能驾驶方案（SuperDrive）追求拟人化体验和端到端技术。HorizonMono3（高性能）：单颗征程3芯片处理前视摄像头+多模态融合，支持RampMI/O、CAA、CIP、ISR、LLN、VFP等高级功能，并支持行泊一体。不同等级硬件设计方案L2+行泊一体方案追求高性价比，而全场景智能驾驶方案（SuperDrive）追求拟人化体验和端到端技术。HorizonSuperDrive：全场景智能驾驶方案，动态/静态/Occupancy三网合一的端到端感知架构，搭配征程6芯片，支持城区NOA。硬件平台设计规范高级别自动驾驶域控制器硬件通用设计规范》从电源、通信、计算、存储、散热、结构、安全与冗余等方面给出了通用设计建议。异构硬件总体设计：电源单元、低速通信单元（CAN/LIN/DSI3）、高速通信单元（MIPI/以太网）、异构分布式计算单元（SoC+MCU）、存储单元（DDR/eMMC/UFS）、散热单元、结构单元、安全与冗余单元。功能安全：需满足ISO26262ASIL等级要求，采用多通道设计、故障检测回路、冗余设计等。ASIL等级确定：考虑严重度（S）、暴露概率（E）和可控性（C）。硬件平台设计规范高级别自动驾驶域控制器硬件通用设计规范》从电源、通信、计算、存储、散热、结构、安全与冗余等方面给出了通用设计建议。功能安全：需满足ISO26262ASIL等级要求，采用多通道设计、故障检测回路、冗余设计等。ASIL等级确定：考虑严重度（S）、暴露概率（E）和可控性（C）。典型计算平台特斯拉Hardware和英伟达DrivePX系列代表了智能驾驶计算平台的两大技术路线——全栈自研与平台赋能。TeslaHW3.0：双FSD芯片（14nm），每颗含2个NPU，总算力144TOPS，72W功耗，支持8摄像头+12超声波+雷达。HW4.0升级为7nm工艺，算力提升3倍。NVIDIADrivePX2：双Tegra+双PascalGPU，8TFLOPS，支持L3/L4。DrivePXXavier：30TOPS，30W，支持L4/L5。DrivePXPegasus：320TOPS，支持L5。DriveOrin：254TOPS，ARMHerculesCPU+AmpereGPU+深度学习加速器。典型计算平台MobileyeEyeQ系列从EyeQ1到EyeQUltra，算力从0.0044TOPS提升至176TOPS，覆盖L1到L5级自动驾驶。EyeQ1（2004）：0.0044TOPS，基础ADAS。EyeQ3（2014）：0.256TOPS，支持ACC、自动泊车，TeslaAP1.0搭载。EyeQ4（2018）：2.5TOPS，支持L2+（全自动泊车、TJA、LKA）。EyeQ5（2020）：16TOPS，支持L4/L5，多传感器融合。EyeQ6（2024）：34TOPS，分High（自动驾驶）和Lite（智能座舱）版本。EyeQUltra（2025预计）：176TOPS，专为L4/L5设计。谢谢大家！

36/36智能驾驶与计算架构

第5章

智能驾驶软件平台

智能驾驶教学团队1软件平台分类

2嵌入式底层软件3算法工具链4智能驾驶应用开发套件智能驾驶计算概述软件平台是在传感器、控制器和整车系统上的横向整合与纵向划分，包含感知、决策、执行、通信、平台管理等多个层次。本章介绍软件平台分类、嵌入式底层软件、功能安全、算法工具链、嵌入式应用开发平台。学习目标：了解嵌入式底软的常见模块及模块间关系，详细了解BSP关键技术内容。理解功能安全产生的原因，了解功能安全开发流程、开发工具及相关架构。掌握模型压缩及编译基本原理，并了解常见方法。掌握训练后量化（PTQ）及量化感知训练（QAT）基本原理，并实现工具链实操。智能座舱智能驾驶软件开发面临"V模型"过程重和"原型迁移"一致性难的双重挑战，需从横向解耦和纵向分层两方面应对。"V"模型挑战：需求/设计/开发分离；多次分解易变形；集成成本高。原型系统迁移挑战：原型与量产架构差异大；迁移过程重；性能优化成本高。解决方案：横向——架构解耦（SOA），简化分工界面；纵向——分层简化认知，开发者只关注所在层。智能座舱智能驾驶软件开发面临"V模型"过程重和"原型迁移"一致性难的双重挑战，需从横向解耦和纵向分层两方面应对。解决方案：横向——架构解耦（SOA），简化分工界面；纵向——分层简化认知，开发者只关注所在层。嵌入式底层软件车载操作系统是软件中枢，管控硬件能力，为应用提供运行环境，智能座舱和智能驾驶对操作系统的需求有显著差异。智能座舱OS需求：多媒体处理、用户界面交互、个性化服务、设备集成、网络连接。智能驾驶OS需求：实时性和可靠性、高级数据处理、安全防护、冗余设计、OTA更新、功能安全认证（ISO26262）。嵌入式底层软件车载操作系统是软件中枢，管控硬件能力，为应用提供运行环境，智能座舱和智能驾驶对操作系统的需求有显著差异。常见座舱OS：AndroidAutomotiveOS、QNX、AGL、TeslaOS。常见智驾OS：QNXOS、VxWorks、SafetyEnhancedLinux。AUTOSAR：CP（静态架构，高实时性）和AP（动态架构，支持POSIX）。驱动与固件智能驾驶系统依赖多种总线驱动（UART/SPI/I2C/USB/MIPI/CAN/以太网等）和固件（MCU/DDR/Camera/DSP/NPU等）实现硬件功能。常见总线：UART（调试/GPS）、SPI（MCU通信）、I2C（图像传感器）、USB（存储/调试）、MIPI（摄像头/显示）、CAN（车身控制）、以太网（芯片间通信）、EMMC/UFS（存储）、PCIe（芯片互联）。固件：MCU固件、DDR固件、Camera固件、EMMC固件、DSP固件、NPU固件、安全固件。固件中的OS：FreeRTOS、OP-TEEOS、ThreadX、RT-Thread。BSP关键技术板级支持包（BSP）是连接硬件和操作系统的关键软件层，涉及安全启动、虚拟化、功能安全、性能优化等核心技术。安全启动：通过芯片内置密钥和ROM代码，逐级校验启动代码，防止篡改和回滚。虚拟化技术：在同一硬件上虚拟多个虚拟机（ASIL-D/ASIL-B/QM），实现不同安全等级应用隔离。BSP关键技术板级支持包（BSP）是连接硬件和操作系统的关键软件层，涉及安全启动、虚拟化、功能安全、性能优化等核心技术。容器技术：轻量级虚拟化（Docker），共用HostOS内核，隔离应用环境。跟踪与调试：JTAG（下载/调试/边界扫描）、TRACE32、DS5、LinuxKDB/KGDB。性能优化：perf工具分析热点火焰图，优化性能瓶颈。功能安全功能安全ISO26262通过V模型开发流程和ASIL等级确保系统在故障时安全响应，E-Gas三层监控架构是功能安全的经典实现。ISO26262关键内容：风险分析和管理、系统性和随机性硬件故障、功能安全评估、ASIL等级（A-D）、安全生命周期。SOTIF（ISO/PAS21448）：处理无硬件故障时因功能不足导致的不安全性，与ISO26262互补。E-Gas三层架构：Level1（功能实现层，QM开发）、Level2（功能监控层，监控Level1）、Level3（控制器监控层，硬件诊断+独立监控+程序流检查）。算法工具链工具链是算法与芯片的桥梁，通过模型量化、图优化和编译，使模型在芯片上高效运行。模型量化：PTQ（训练后量化）和QAT（量化感知训练），将FP32模型转为INT8。模型图优化：算子融合、层合并。模型编译：将模型转换为推理芯片可识别的指令与数据，需合理设计各层特征图尺寸。模型压缩方法：知识蒸馏（KD）、轻量化模型架构、剪枝（结构化/非结构化）、量化。算法工具链工具链是算法与芯片的桥梁，通过模型量化、图优化和编译，使模型在芯片上高效运行。模型编译：将模型转换为推理芯片可识别的指令与数据，需合理设计各层特征图尺寸。模型压缩方法：知识蒸馏（KD）、轻量化模型架构、剪枝（结构化/非结构化）、量化。统一异构计算架构统一异构计算架构（UCP）通过统一的编程接口，实现对CPU、GPU、NPU、DSP等异构计算资源的统一调度和管理。UCP构成：前端API（视觉处理VP、神经网络NN、高性能库HPL、插件）、执行服务（任务调度、引擎管理）、后端（DSP/BPU/Stitch/Pyramid/GDC/JPU/VPU）统一异构计算架构统一异构计算架构（UCP）通过统一的编程接口，实现对CPU、GPU、NPU、DSP等异构计算资源的统一调度和管理。VP模块：作用于模型前后处理，封装图像处理硬件调用，通过设置Backend选择不同硬件方案。算子执行流程：准备输入输出→创建算子任务→提交任务（指定Backend）→等待任务完成→销毁任务。训练后量化（PTQ）实践PTQ将浮点模型转换为混合异构模型，经过浮点模型准备、模型检查、模型转换、性能评估和精度评估五个阶段。训练后量化（PTQ）实践PTQ将浮点模型转换为混合异构模型，经过浮点模型准备、模型检查、模型转换、性能评估和精度评估五个阶段。浮点模型准备：导出为ONNX中间格式。模型检查：通过工具检查算子是否符合约束表。训练后量化（PTQ）实践PTQ将浮点模型转换为混合异构模型，经过浮点模型准备、模型检查、模型转换、性能评估和精度评估五个阶段。模型转换：输入数据处理、模型优化编译（解析→优化→校准→量化→编译）。性能评估：通过hb_perf或静态评估文件（model.html）分析FPS。精度调优：调整校准方法（kl/max/mse/percentile/mix）、调整计算精度（int8/int16/float16/float32）。训练后量化（PTQ）实践PTQ将浮点模型转换为混合异构模型，经过浮点模型准备、模型检查、模型转换、性能评估和精度评估五个阶段。模型转换：输入数据处理、模型优化编译（解析→优化→校准→量化→编译）。性能评估：通过hb_perf或静态评估文件（model.html）分析FPS。精度调优：调整校准方法（kl/max/mse/percentile/mix）

调整计算精度（int8/int16/float16/float32）。量化感知训练（QAT）实践QAT通过在浮点模型中插入伪量化节点模拟量化误差，通过训练使模型在量化后保持高精度。浮点模型要求：必须可正确完成symbolic_trace，避免量化不友好操作（softmax/layernorm、共享算子多次调用等）。QConfig：设置input/weight/output的量化配置（FakeQuantize/FakeCast）。量化感知训练（QAT）实践QAT通过在浮点模型中插入伪量化节点模拟量化误差，通过训练使模型在量化后保持高精度。prepare流程：算子替换、算子融合、算子转换、模型结构检查。Calibration：确定量化参数（min_max/percentile/mse/kl/mix），需10~100step校准数据。混合精度调优：int8→int8/int16→int16/fp16→int8/int16/fp16，逐步增加高精度算子比例。模型部署与推理以ResNet18为例，通过准备浮点模型、校准集、生成板端模型、构建板端示例、交叉编译和板端运行，完成全流程部署。准备浮点模型：使用torchvision导出resnet18.onnx。校准集准备：从ImageNet取100张图片，进行resize(256)→center_crop(224)→归一化→转为NCHW格式。模型部署与推理以ResNet18为例，通过准备浮点模型、校准集、生成板端模型、构建板端示例、交叉编译和板端运行，完成全流程部署。生成板端模型：命令行方式（hb_compile+yaml）或PTQAPI方式。构建板端示例：准备依赖库→开发推理代码→交叉编译生成可执行程序。模型部署与推理以ResNet18为例，通过准备浮点模型、校准集、生成板端模型、构建板端示例、交叉编译和板端运行，完成全流程部署。板端运行：将程序、模型、输入数据、依赖库整合到板端，配置LD_LIBRARY_PATH并运行。智能驾驶应用开发套件应用开发套件集成开发框架、服务、工具链和参考设计，目标是通过开放统一降低量产交付成本，提高创新迭代效率。核心基座：应用开发框架与服务、开发与验证工具、标准化接口与协议。智能驾驶应用开发套件应用开发套件集成开发框架、服务、工具链和参考设计，目标是通过开放统一降低量产交付成本，提高创新迭代效率。传感器接入框架：插件化管理，支持Camera/Lidar/Radar/GPS/IMU等。智能驾驶应用开发套件应用开发套件集成开发框架、服务、工具链和参考设计，目标是通过开放统一降低量产交付成本，提高创新迭代效率。通信框架：支持多种协议和通信模式（Publish/Subscribe、Client/Service、Action）。智能驾驶应用开发套件应用开发套件集成开发框架、服务、工具链和参考设计，目标是通过开放统一降低量产交付成本，提高创新迭代效率。数据流开发框架：支持Node和Module编程接口，提供四种调度器。统一异构加速库：提供CV算子的硬件加速。量产基础设施：时间同步、UCM升级、诊断管理等。谢谢大家！

36/36智能驾驶与计算架构

第6章

智能驾驶云端平台

智能驾驶教学团队1云端平台架构

2数据闭环3云端开发流程4面向智能驾驶的数字孪生智能驾驶计算概述云端平台是智能驾驶算法研发的基础平台，覆盖数据管理、标注、模型训练、测试仿真全流程，驱动算法快速迭代。本章从云端平台架构出发，详细介绍数据闭环、算法研发、车云协同及数字孪生等核心技术。学习目标：了解云端架构的基本模块及与智能驾驶车云协同方法。理解数据闭环在智能驾驶开发及OTA中的关键作用。理解数据采集、标注、训练及评测仿真中的关键步骤及闭环关系。掌握智能驾驶云端开发流程以及关键环节的相互依赖关系。智能座舱智能驾驶云端平台分为基础设施平台和自动驾驶中台，提供计算、存储、湖仓和数据标注、训练、仿真等全链路能力。基础设施平台：计算平台（GPU/CPU集群调度）、存储平台（分布式文件系统/对象存储）、湖仓平台（融合数据湖灵活性+数据仓库结构化）。智能座舱智能驾驶云端平台分为基础设施平台和自动驾驶中台，提供计算、存储、湖仓和数据标注、训练、仿真等全链路能力。基础设施平台：计算平台（GPU/CPU集群调度）、存储平台（分布式文件系统/对象存储）、湖仓平台（融合数据湖灵活性+数据仓库结构化）。智能座舱智能驾驶云端平台分为基础设施平台和自动驾驶中台，提供计算、存储、湖仓和数据标注、训练、仿真等全链路能力。基础设施平台：计算平台（GPU/CPU集群调度）、存储平台（分布式文件系统/对象存储）、湖仓平台（融合数据湖灵活性+数据仓库结构化）。智能座舱智能驾驶云端平台分为基础设施平台和自动驾驶中台，提供计算、存储、湖仓和数据标注、训练、仿真等全链路能力。自动驾驶中台：车云系统（车辆管理/数据上传/OTA下发）、数据处理（入库/检索/标签挖掘）、数据标注（工具/项目管理）、模型训练（实验/评测/发布）、测评仿真（回灌/仿真/评价）。智能座舱智能驾驶云端平台分为基础设施平台和自动驾驶中台，提供计算、存储、湖仓和数据标注、训练、仿真等全链路能力。自动驾驶中台：车云系统（车辆管理/数据上传/OTA下发）、数据处理（入库/检索/标签挖掘）、数据标注（工具/项目管理）、模型训练（实验/评测/发布）、测评仿真（回灌/仿真/评价）。智能座舱智能驾驶云端平台分为基础设施平台和自动驾驶中台，提供计算、存储、湖仓和数据标注、训练、仿真等全链路能力。自动驾驶中台：车云系统（车辆管理/数据上传/OTA下发）、数据处理（入库/检索/标签挖掘）、数据标注（工具/项目管理）、模型训练（实验/评测/发布）、测评仿真（回灌/仿真/评价）。智能座舱智能驾驶云端平台分为基础设施平台和自动驾驶中台，提供计算、存储、湖仓和数据标注、训练、仿真等全链路能力。自动驾驶中台：车云系统（车辆管理/数据上传/OTA下发）、数据处理（入库/检索/标签挖掘）、数据标注（工具/项目管理）、模型训练（实验/评测/发布）、测评仿真（回灌/仿真/评价）。智能座舱智能驾驶云端平台分为基础设施平台和自动驾驶中台，提供计算、存储、湖仓和数据标注、训练、仿真等全链路能力。自动驾驶中台：车云系统（车辆管理/数据上传/OTA下发）、数据处理（入库/检索/标签挖掘）、数据标注（工具/项目管理）、模型训练（实验/评测/发布）、测评仿真（回灌/仿真/评价）。云端计算芯片云端训练用芯片以NVIDIAGPU为主（H100/A100），推理回灌可用车用芯片（如J5）构建物理集群，更贴近端侧真实情况。NVIDIAH100（Hopper架构）：800亿晶体管，Transformer引擎（FP8/FP16混合精度），第四代NVLink（900GB/s），机密计算，MIG多实例，DPX动态编程指令（比CPU快40倍）。J5-PCIE回灌模式：通过PCIE将J5芯片插入主机主板，构建车载芯片物理/虚拟集群，用于回灌测试。车云协同与OTA车云协同通过4G/5G和影子模式实现数据采集与算法迭代，OTA是智能驾驶持续进化的关键基础设施。车云连接技术：HTTP/HTTPS、MQTT、WebSocket。影子模式：自动驾驶系统与人类驾驶员并行决策，虚拟执行并记录差异，用于事后分析和算法改进。OTA升级：FOTA（固件升级，完整镜像）和SOTA（软件升级，增量补丁）。端云安全通信需加密、签名、安全芯片校验。OTA架构：OTAManager（管理更新过程）+UpdateAgent（适配不同ECU接口）。数据闭环概述数据闭环是"采、存、筛、标、训、测、发"七环节的持续循环，是智能驾驶系统持续进化的核心范式。采：车端采集特定场景数据（Trigger机制）。存：存储数据，保证安全、质量和规模。筛：建立训练集和评测集，分类badcase。标：2D/4D标注，或基于LiDAR真值生成。训/测：模型训练、评测和badcase回归。发：发布验证的软件版本（OTA）。数据闭环云端平台地平线艾迪（AIDI）平台是端到端的数据驱动与闭环迭代解决方案，包含数据、标注、模型、问题、感知、车云和仿真七大系统。AIDI-Data：数据入库、检索、管理，支持标签挖掘。AIDI-Label：数据标注系统，支持2D/3D/4D/视频/语音标注。AIDI-Model：模型训练、评测、编译和发版。AIDI-Issue：问题数据管理、场景集管理、回灌回归测试。AIDI-Eval：感知评测系统，支持端云一致的板端回灌仿真。AIDI-Fleet：车云系统，支持数据上云和软件下发。数据采集与入库数据采集通过FleetSDK将车端数据上传云端，入库时自动解析、抽帧和标签挖掘，为后续检索和标注奠定基础。采集方式：硬盘上传（采集车）或自动Trigger回传（量产车）。创建车型与车辆录入：录入车型参数和车辆信息。数据入库：自动定时扫描或手动创建任务，通过pipeline解析原始数据。数据抽帧：内置2D/3D抽帧算法，将视频转为图片。数据采集与入库数据采集通过FleetSDK将车端数据上传云端，入库时自动解析、抽帧和标签挖掘，为后续检索和标注奠定基础。采集方式：硬盘上传（采集车）或自动Trigger回传（量产车）。创建车型与车辆录入：录入车型参数和车辆信息。数据入库：自动定时扫描或手动创建任务，通过pipeline解析原始数据。数据抽帧：内置2D/3D抽帧算法，将视频转为图片。数据标签与检索通过Tagging为数据添加语义描述（tags），支持通过SDK或Web进行高效检索，快速定位特定场景数据。Tagging流程：Pack入库→抽帧→刷库→回灌→生成tags→存入数据库。Tag格式：image/packtag、adaspackcliptag（含时间片段）、mergedadaspackcliptag。数据检索：支持语句检索和图文检索数据标签与检索通过Tagging为数据添加语义描述（tags），支持通过SDK或Web进行高效检索，快速定位特定场景数据。Tagging流程：Pack入库→抽帧→刷库→回灌→生成tags→存入数据库。Tag格式：image/packtag、adaspackcliptag（含时间片段）、mergedadaspackcliptag。数据检索：支持语句检索和图文检索数据标注与模型训练数据标注是模型训练的基础，AIDI-Label提供10种标注工具，AIDI-Model支持大规模分布式训练和多机训练。标注流程：创建送标任务→关联标注项目→分配标注资源→标注+质检→验收→复盘。标注工具：2D多图元标注、框点、区域分割、分类、