批量工作流、相机辅助的 Find Similar 和 Auto-Tracking，以及插值可减少重复的手动 LiDAR 标注。
平均而言，85% 的 LiDAR 标签由系统自动预标注，再由人工审核和完善。
通过自动化数据筛选、标注和 QA，每个获批标签的成本最低可降至原来的 1/15。
跨场景帧检查位置、尺寸、方向和对象身份。利用正交视图与标定相机信息，检查松散边框、漂移和可见性变化。
检查对象边界和稀疏区域的类别分配。在发布前修正错误的点标签、缺失的必填属性和未解决的问题。
LiDAR 标注 QA 检查 3D 几何形状、点标签、对象属性和轨迹是否符合项目规范。Unitlab 将点云场景、标定相机视图、标注比较和人工审核连接起来。 LiDAR 质检概览
为项目配置标注、共识、质量门控和审核阶段。审核人员检查场景、分派修改任务，并将存在问题的标签退回返工。批准前先复核更新后的结果。 QA 工作流
共识收集同一独立 LiDAR 场景的标注，比较受支持的几何形状和属性，并将分歧提交审核。审核人员批准最终结果。目前不支持对包含 LiDAR 的数据组执行共识。 共识指南
质量门控将提交的标注与对标注员隐藏的已批准参考答案进行比较。它跨对象可见的场景帧评估标签，并应用配置的阈值。如果点标签数据无法读取或场景数据不兼容，比较结果会标记为未评估。 质量门控指南
带方向的长方体和球体使用体积重叠。点、折线和多边形使用空间或路径相似度，点云分割则比较点标签。多边形比较衡量的是边界一致性，而非填充表面的重叠。关联的相机框跟随对应的 3D 长方体。 3D 标注比较
先定义标签表示的是观测到的对象范围还是推断的完整范围，并一致地应用该规则。检查相邻帧、正交视图和可用的标定相机图像。将不确定的案例送审，并记录相关可见性属性。 标定相机视图
在原始场景中审核已分配的点标签，并修正受影响区域。共识审核以一份提交的点标签数组为基础进行完善，不会自动融合多名标注员涂绘的标签。 点标签审核
可以。查看缺失的必填属性、已分派问题、基准评分和通过率。利用这些结果，将审核精力集中在需要关注的场景上，并在准备发布前检查修改结果。 审核阶段
创建已审核的标注版本，并以 Unitlab Unified Export Format（UUEF）导出 LiDAR 结果。导出内容保留受支持的 3D 几何形状、轨迹、场景元数据、传感器标定信息和点标签数组。请验证导出结果是否适配下游训练流水线。 LiDAR 导出指南
