华为云用户手册

Planning_trajectory stamp_secs: 1617336640 stamp_nsecs: 809739351 timestamp: 1617336640809 trajectory_points { x: -151.27487182617188 y: 486.55096435546875 theta: 0.0023324606008827686 kappa: -0.0017824547830969095 } trajectory_points { x: -151.21182250976562 y: 486.5510559082031 theta: 0.0022713469807058573 kappa: -0.0017127590253949165 } ......

Routing_path timestamp: 1630057162125 stamp_secs: 1630057162 stamp_nsecs: 125769156 routing_path_info { id: 1 path_point { x: -203.34230041503906 y: 125.63516998291016 z: -0.5 } path_point { x: -203.34915161132812 y: 125.72517395019531 z: -0.5 }......}

Tag_record segments { scenario_id: 100000000 source: "takeover" start: 1617336642300 end: 1617336652300 } segments { scenario_id: 100000000 source: "vehicle" start: 1617336672300 end: 1617336692300 }

Predicted_objects stamp_secs: 1617336640 stamp_nsecs: 971891550 timestamp: 1617336640971 obstacle_info { obstacle_timestamp: 1617336640699 id: 6711 x: -123.08731842041016 y: 486.83221435546875 z: 0.575542688369751 prediction_trajectory { path_point { x: -103.26817321777344 y: 486.0815734863281 theta: -0.007839304395020008 v: 4.405668258666992 relative_time: 4.5 } path_point { x: -102.82765197753906 y: 486.0737609863281 theta: -0.00746726430952549 v: 4.405668258666992 relative_time: 4.599999904632568 } ...... } } obstacle_info { obstacle_timestamp: 1617336640699 id: 6744 x: -145.0320587158203 y: 491.35015869140625 z: -0.40381166338920593 prediction_trajectory { path_point { x: -145.0320587158203 y: 491.35015869140625 theta: -2.9442124366760254 v: 1.0038001537322998 } path_point { x: -145.1304931640625 y: 491.3304748535156 theta: -2.9442124366760254 v: 1.0038001537322998 relative_time: 0.10000000149011612 } ...... } } obstacle_info { obstacle_timestamp: 1617336640699 id: 6760 x: -138.3047332763672 y: 489.9286193847656 z: -0.12651222944259644 }

Object_array_vision tracked_object { timestamp: 1604996332862 stamp_secs: 1604996332 stamp_nsecs: 862911489 objects { id: 26175 label: "Car" pose_position_x: 1154.59912109375 pose_position_y: -496.5350646972656 pose_position_z: -1.8222997188568115 pose_orientation_z: 0.714431643486023 pose_orientation_w: 0.6997052431106567 pose_orientation_yaw: 1.5916229486465454 dimensions_x: 4.513162136077881 dimensions_y: 1.7747581005096436 dimensions_z: 1.628068208694458 speed_vector_linear_x: 0.012852923013269901 speed_vector_linear_y: -9.972732543945312 relative_position_x: -17.48011016845703 relative_position_y: 10.685434341430664 relative_position_z: -0.17673441767692566 } objects { id: 26170 label: "Pedestrian" pose_position_x: 1180.902099609375 pose_position_y: -504.7625732421875 pose_position_z: -1.3601081371307373 pose_orientation_z: -0.7057344317436218 pose_orientation_w: 0.7084764242172241 pose_orientation_yaw: -1.5669186115264893 dimensions_x: 0.7922295331954956 dimensions_y: 0.7891787886619568 dimensions_z: 1.6868246793746948 speed_vector_linear_x: 0.13573257625102997 speed_vector_linear_y: 1.5281875133514404 relative_position_x: -25.306795120239258 relative_position_y: -15.737456321716309 relative_position_z: 0.39350399374961853 } objects { id: 26169 label: "Pedestrian" pose_position_x: 1175.647216796875 pose_position_y: -506.730712890625 pose_position_z: -1.569373607635498 pose_orientation_z: 0.6943609118461609 pose_orientation_w: 0.7196269631385803 pose_orientation_yaw: 1.5350627899169922 dimensions_x: 0.8029457330703735 dimensions_y: 0.7876891493797302 dimensions_z: 1.6028095483779907 speed_vector_linear_x: 0.06551000475883484 speed_vector_linear_y: 0.0022428608499467373 relative_position_x: -27.355571746826172 relative_position_y: -10.512933731079102 relative_position_z: 0.19844147562980652 } objects { id: 26168 label: "Pedestrian" pose_position_x: 1173.3189697265625 pose_position_y: -507.2300109863281 pose_position_z: -1.6026556491851807 pose_orientation_z: 0.717462956905365 pose_orientation_w: 0.6965966820716858 pose_orientation_yaw: 1.600306749343872 dimensions_x: 0.7922430038452148 dimensions_y: 0.7811086177825928 dimensions_z: 1.6341478824615479 speed_vector_linear_x: -0.04817964881658554 speed_vector_linear_y: -0.21502695977687836 relative_position_x: -27.89008903503418 relative_position_y: -8.192517280578613 relative_position_z: 0.16775710880756378 } objects { id: 26155 label: "Bus" pose_position_x: 1172.106689453125 pose_position_y: -478.5303039550781 pose_position_z: -0.48812994360923767 pose_orientation_z: -0.7203028798103333 pose_orientation_w: 0.6936596632003784 pose_orientation_yaw: -1.6084778308868408 dimensions_x: 11.322981834411621 dimensions_y: 2.9294095039367676 dimensions_z: 3.1415622234344482 speed_vector_linear_x: -0.017722932621836662 speed_vector_linear_y: 0.1302066147327423 relative_position_x: 0.7977913022041321 relative_position_y: -6.548437118530273 relative_position_z: 0.9966707229614258 } objects { id: 26153 label: "Bus" pose_position_x: 1148.1876220703125 pose_position_y: -490.8350524902344 pose_position_z: -0.954763650894165 pose_orientation_z: 0.6907882690429688 pose_orientation_w: 0.7230570912361145 pose_orientation_yaw: 1.5251574516296387 dimensions_x: 10.779899597167969 dimensions_y: 2.856076717376709 dimensions_z: 2.811084508895874 speed_vector_linear_x: 0.03153659775853157 speed_vector_linear_y: 0.23439916968345642 relative_position_x: -11.868709564208984 relative_position_y: 17.1827335357666 relative_position_z: 0.6278138756752014 } objects { id: 26141 label: "Bus" pose_position_x: 1171.7779541015625 pose_position_y: -512.5936889648438 pose_position_z: -0.9443151354789734 pose_orientation_z: -0.7186583876609802 pose_orientation_w: 0.6953632831573486 pose_orientation_yaw: -1.6037421226501465 dimensions_x: 10.841312408447266 dimensions_y: 2.9661808013916016 dimensions_z: 3.2250704765319824 speed_vector_linear_x: 0.0513402484357357 speed_vector_linear_y: 0.006104861851781607 relative_position_x: -33.26952362060547 relative_position_y: -6.731308937072754 relative_position_z: 0.8776476979255676 } objects { id: 26133 label: "Bus" pose_position_x: 1146.657958984375 pose_position_y: -508.7508239746094 pose_position_z: -0.883571445941925 pose_orientation_z: 0.7007946968078613 pose_orientation_w: 0.713362991809845 pose_orientation_yaw: 1.5530219078063965 dimensions_x: 12.186415672302246 dimensions_y: 2.824420690536499 dimensions_z: 3.292656183242798 speed_vector_linear_x: 0.005901232361793518 speed_vector_linear_y: 0.013970088213682175 relative_position_x: -29.803848266601562 relative_position_y: 18.443498611450195 relative_position_z: 0.8749525547027588 } objects { id: 26120 label: "Bus" pose_position_x: 1170.993408203125 pose_position_y: -525.5801391601562 pose_position_z: -1.104852318763733 pose_orientation_z: -0.7154129147529602 pose_orientation_w: 0.6987019181251526 pose_orientation_yaw: -1.5944297313690186 dimensions_x: 10.749905586242676 dimensions_y: 2.7170863151550293 dimensions_z: 3.0421104431152344 speed_vector_linear_x: 0.016746148467063904 speed_vector_linear_y: -0.23609620332717896 relative_position_x: -46.26727294921875 relative_position_y: -6.141877174377441 relative_position_z: 0.8449855446815491 } }

Traffic_light_info timestamp: 1630057508000 stamp_secs: 1630057508 lights { id: 1 color: 1 location_x: -206.60186767578125 location_y: 459.9820861816406 location_z: 3.0 } lights { id: 2 color: 2 location_x: -74.1282958984375 location_y: 484.984619140625 location_z: 4.0 } lights { id: 3 color: 3 location_x: 59.96036911010742 location_y: 473.6038513183594 location_z: 5.0 }

Vehicle vehicle_info { stamp_secs: 1604996332 stamp_nsecs: 847945211 autonomy_status: 0 gear_value: 4 vehicle_speed: 43.93000030517578 steering_angle: 0.699999988079071 yaw_rate: 0.0 interior_temperature: 0.0 outside_temperature: 0.0 brake: 0.0 timestamp: 1604996332847 turn_left_light: 0 turn_right_light: 0 longitude_acc: -0.03125 lateral_acc: 0.0 }

Ego_tf localization_info { timestamp: 1604996332855 stamp_secs: 1604996332 stamp_nsecs: 855301408 pose_position_x: 1165.5460205078125 pose_position_y: -479.2198486328125 pose_position_z: -1.48505699634552 pose_orientation_x: 0.003883248195052147 pose_orientation_y: -0.0031167068518698215 pose_orientation_z: 0.7017714977264404 pose_orientation_w: 0.7123847603797913 pose_orientation_yaw: 1.5557808876037598 velocity_linear: 12.21684455871582 velocity_angular: 0.014540454372763634 acceleration_linear: 0.23571151494979858 acceleration_angular： 0.0 }

资源占用情况 在任务运行中，资源占用情况模块显示任务占用的CPU、内存、GPU/显存利用率、占用率百分比的折线图。默认显示CPU占用情况折线图。 图8 资源占用情况 双击任一图例：显示全部资源占用折线图。 单击指定图例：只显示该图例折线图。 此模块也可显示多个计算节点运行任务时，资源占用的情况。 如果选择2个计算节点运行任务，则可选择查看单个节点资源占用情况。 如果1个计算节点上存在多张GPU，则会显示所有GPU占用情况。 资源占用情况功能模块，需要用户在制作 自定义镜像 时安装psutil与pynvml，参考命令如下： pip install psutil pynvml 如果未安装psutil与pynvml，则页面无法显示资源使用状况。

训练任务日志查看和下载 训练任务运行的过程中生成日志，训练任务模块提供了日志的查看以及下载功能，支持用户查看训练任务的运行情况。CCE平台训练任务生成的日志文件有以下四种： train-{id}-{index}.log：用户实际训练任务的训练日志。 train-{id}-{index}-init.log：Octopus平台提供的前置数据的准备日志。 train-{id}-{index}-sidecar.log：Octopus平台提供的任务流程控制日志，包括日志同步、结果上传。 octopus-train-{id}-{index}-supplemental.logs: Octopus平台任务异常退出或停止产生的错误信息输出日志，运行正常时不产生该日志。 {id}为该训练任务ID，{index}为节点编号，例如单节点single-0，多节点distributed-0 distributed-1。 详情页，单击“任务日志”，可查看该训练任务日志详情。支持在线浏览或下载至本地。如果日志较多，用户可在搜索框中输入关键字，查找指定日志内容。 在日志服务页面中的日志列表部分详细展示了该训练任务包含的日志文件的大小以及最新写入时间。单击文件后的“查看”，算法训练的详细执行过程会在日志详情部分展示。用户也可在日志文件后的“操作”栏中，单击“下载”，即可将该日志文件下载到本地查看。 图6 CCE日志视图 图7 ModelArts日志视图

训练任务相关操作 在“训练任务”列表，可对训练任务进行以下操作： 表1 训练任务相关操作 任务 操作步骤 查找任务 在搜索输入框中输入搜索条件，按回车键即可查询。 查看任务详情 单击任务名称，可在任务详情页查看该任务详情、参数信息、任务日志和资源占用情况。 任务详情：任务ID、名称、描述、状态、资源规格等信息。 参数详情：训练算法参数以及环境变量信息。 任务日志：任务运行过程中生成的日志信息，详情请查看训练任务日志查看和下载。 资源占用情况：显示任务占用的CPU、内存、GPU（显存）利用率、占用率等指标百分比折线图，详情请查看资源占用情况。 删除任务 单击操作栏的“删除”，删除单个任务。 勾选多个任务，单击列表上方的“删除”，可批量删除任务。 重建任务 单击操作栏内的“重建”，输入新任务名称（“任务组名-自定义名称”）和“删除原任务”选项，重建任务时可调整训练参数，如资源规格、训练数据集、参数列表和模型仓库。 停止任务 对于运行中、等待中的任务，用户可以单击操作栏的“停止”终止任务。 训练任务相关操作与任务所处状态约束关系请见下表： 表2 训练任务相关操作与任务所处状态约束 作业状态 重建 删除 停止 排队中 - √ √ 提交中 - - - 提交失败 √ √ - 运行中 - - √ 运行异常 √ √ - 已完成 √ √ - 停止中 - - - 停止失败 - √ - 已停止 √ √ - 删除中 - - - 删除失败 - √ -

训练服务简介 训练服务模块上承接数据服务和标注服务两大模块，为自动驾驶研发提供方便易用的模型训练和评测平台，让用户无需过多关注底层资源，聚焦算法和模型开发。用户可上传符合Octopus平台规范的训练算法，将成熟的算法创建训练任务生成训练模型。此外，训练服务提供多种模型评测指标，从多维度衡量模型质量。让自动驾驶研发更便捷。训练服务的开发流程如下： 训练服务操作引导如下： 算法管理：负责管理用户上传的符合平台规范的算法。 训练任务：用户选择训练算法和训练数据集创建训练任务进行训练。 模型评测：负责管理评测脚本、评测任务和评测对比任务。 编译管理：包含编译任务和编译镜像。训练产生的模型版本，一般不可直接被车载芯片识别，需要经过编译工具，模型编译成车载芯片识别的产物。 推理服务：将模型部署为在线服务进行推理。 父主题： 训练服务

绘制对象 单击文本标注任务名称，选择任意一个文件进入文本标注模板工具进行人工标注。 设置文档属性和意图。 单击“文档属性”，增加文档的属性描述。单击“意图”，增加文档意图描述； 添加标注。 在文本展示区域，按下鼠标左键在文本展示区域拖动，松开鼠标后，标注列表中将增加一个标注信息。 图2 添加标注 修改标注类别。 鼠标右键单击已标注的文本，打开标注类型弹窗，修改标注类型。可以为标注文本增加额外属性和审核属性，当标注有问题，可以在审核错误描述中增加错误描述。 图3 修改标注类别 删除标注。 在标注列表，单击目标标注后面的，即可删除当前标注，文本标注模板工具中的标注同步删除。 图4 删除标注 设置关系标注。 文本默认为实体标注，在文本标注模板工具左上角，单击“实体标注”开关，可以切换为“关系标注”。在进行关系标注之前，需要提前在关系管理列表中创建关系类别，详情操作请参考关系管理。 在“关系标注”状态下，先单击一段已标注文本，再选中另一段已标注文本，即可建立两段标注文本之前的关系。 图5 关系标注 鼠标右键单击关系类别标签，打开类别弹窗，修改关系类别。 图6 编辑关系标注类别 删除关系。 在关系列表，单击目标关系后面的，即可删除当前关系，文本标注模板工具中的关系同步删除。

绘制对象 单击语音标注任务名称，选择任意一个文件进入语音标注模板工具进行人工标注。 播放音频。 单击播放按钮或音频展示区，播放音频。 添加标注。 按下鼠标左键在音频展示区域拖动，松开鼠标后，标注列表中将增加一行标注信息。 图2 添加标注 修改标注类型。 单击“标注类型”，选择合适的标注物。 图3 修改标注类别 完善标注信息。 选择音频的性别和额外属性，填写音频的内容和讲话人角色信息。 图4 完善标注信息 性别：选择讲话人的性别。 内容：描述当前讲话的内容。 角色：判断当前讲话人的角色。 属性：选择音频的额外属性。 修改标注音频。 鼠标悬浮到已标注的音频段落前后，出现方向箭头后，拖动标注框，可以延长或缩短标注音频段落。 播放音频段落。 单击标注任务列表操作栏的“播放”，可以播放当前标注的音频段落。 删除音频段落。 单击标注任务列表操作栏的“删除”，可以删除当前标注的音频段落。 审核音频段落。 单击标注任务列表操作栏的“审核”，可以审核当前标注的音频段落。 图5 审核音频段落 调整播放倍速。 拖动播放倍速进度条，调整播放倍速。调整范围为(0.1,10]。 设置前后静音段。 勾选前后静音段的前面的复选框后，即可在进度条上设置前静音段和后静音段。 快进快退播放音频。 单击快进或快退按钮，快速定位音频播放时间点。 查看标注物列表和快速搜索标注物。 单击悬浮框中的Open按钮，可以展开标注物列表，查看当前支持的所有标注物；打开Search开关后，可以输入关键字快速搜索标注物。 默认展示： 展开标注物列表，支持过滤搜索：

考试记录 当项目关联了考试题库时，系统会自动在考试系统生成待考试记录。项目管理考试题库操作请参考关联题库。 图3 考试记录 管理员可查看考试记录，并进行以下操作。 流程 操作 编辑考试记录 在考试记录列表，单击“考试记录”，单击操作栏中的“编辑”，可根据情况编辑考试记录的状态。 复核考试记录 在考试记录列表，单击“考试记录”，单击操作栏中的“复核”。 单击“确认”，单击图片上的“复核”，对分数进行复核。 说明： 当考试记录的状态为终态（判卷失败、已通过、失败）时，方可进行复核操作。 删除考试记录 在考试记录列表，单击“考试记录”，单击操作栏中的“删除”，可根据情况删除考试记录的状态。 说明： 当考试记录的状态为终态（判卷失败、已通过、失败）时，方可进行删除操作。 只有一条未通过记录不允许删除。 当考试记录生成后，由对应的标注员或者审核员登录系统，单击“考试记录”名称，根据提示就可以进行考试。

绘制对象 单击车道线标注任务，选择一张图片进入人工标注。 绘制对象。 单击左侧工具栏实线（快捷键2，非小键盘），进入绘制折线模式。 图2 绘制对象 选择标注名称。 标注下拉列表页选择一标注名，进入标注状态。 图3 选择标注名称 绘制折线。 通过鼠标左键单击添加线段上的点，鼠标左键双击闭合该线段。未闭合状态可通过alt+z撤销上一个绘制的点。闭合状态下选中线段上的某点可通过“alt+鼠标左键”或“alt+v”删除该点。绘制过程中可通过鼠标左键拖动图片。 修改折线。 鼠标左键选中线段上某点可拖动修改点的位置。shift+z可撤销上一步操作。 修改类别。 右键单击目标图形，可进入选择类别的跳出框，即可修改类别。 修改额外属性。 右键单击目标图形，如果目标含有额外属性，如果其默认属性错误，单击即可选择属性。 修改对象ID。 右键单击目标图形，可以在对象ID栏手动输入数值来修改ID。

绘制对象 单击点云标注任务，单击任意一帧，进入人工标注。 选择标注工具。 单击左侧工具栏“智能缩框标注”（快捷键b）。 图2 选择标注工具 选择标注类别。 标注下拉列表页选择一标注名，进入标注状态。 图3 选择标注类别 框选标注物。 图4 框选标注物 调整三视图。 依据标注规范要求，结合下方真实图片中对应标注物大小，调整点云图像中标注物三视图中标注框。 图5 调整三视图 调整2D框（只适用于联合标注） 单击2D图片。 图6 单击2D图片 开启联合按钮。 图7 开启联合按钮 针对点云框对应的2D框进行调整大小。 图8 调整2D框 修改标注类别。 右键单击目标图形，可进入选择类别的跳出框，即可修改类别。 图9 修改标注类别 修改额外属性。 右键单击目标图形，如果目标含有额外属性，单击即可选择属性。 修改对象ID。 右键单击目标图形，可以在对象ID栏手动输入数值来修改ID。

标注样例 Octopus标注平台功能众多，类型复杂。为帮助用户更快适应标注平台功能，熟悉标注平台界面，开展业务。本节以较典型的标注任务为例，详细介绍标注平台对不同标注任务的操作指导，用户可参考操作指导，依据标注规范快速在平台展开标注。 人车类型图片标注任务 2.5D人车图片标注任务 点云标注任务 点云跟踪标注任务 车道线图片标注任务 语义分割图片标注任务 语义分割点云标注任务 2D3D关联标注任务 语音标注任务 文本标注任务 父主题： 标注服务

预审核任务相关操作 在“预审核任务”列表，还可以进行以下操作。 表2 预审核任务相关操作 任务 操作步骤 查询预审核任务 在搜索输入框中输入搜索条件，按回车键即可查询任务。 查看模型 单击模型名称，界面跳转至模型详情，可查看模型。 查看任务日志 单击操作栏中的“日志”，可查看或下载日志详情。 删除任务 选择单个任务，单击操作栏的“删除”，删除单个任务。 勾选多个任务，单击列表上方的“批量删除”，可批量删除任务。

查看和下载任务日志 标注任务运行的过程中生成任务日志，平台提供了日志的查看以及下载功能。 单击任务名称，在该任务的详情页面，单击＂日志＂，可查看该任务日志列表及日志详情。支持下载至本地。如果日志较多，可在搜索框中输入关键字，查找指定日志内容。搜索内容为当前已加载内容 ，最多为1M（首次加载时）。如图，在日志服务页面中的日志列表部分详细展示了该任务包含的日志文件的大小以及最近写入时间。单击文件后的＂查看＂，该文件的详细执行过程则在日志详情部分展示。也可在日志文件后的＂操作＂栏，单击＂下载＂，即可将该日志文件下载到本地查看。 图5 日志

任务队列相关操作 在“任务队列”页签，还可以进行以下操作。 表1 任务队列相关操作 任务 操作步骤 置顶任务 单击操作栏中的“置顶”，即可将任务调整至队列中最高优先级。 置底任务 单击操作栏中的“置底”，即可将任务调整至队列中最低优先级。 上移任务 单击操作栏中的“上移”，即可将任务调整至队列中上一级。 下移任务 单击操作栏中的“下移”，即可将任务调整至队列中下一级。 更新任务优先级 勾选单个或多个批次任务。 单击“更新优先级”，输入[-50,50]的整数，数字越大，优先级越高。 单击“确定”，优先级更改成功。相同优先级的任务，任务队列更新时间越早，优先级越高。 搜索任务 在搜索输入框中输入搜索条件，按回车键即可查询。

批次任务相关操作 在“批次任务列表”，还可以进行以下操作。 表1 批次任务相关操作 任务 操作步骤 查询批次任务 选择“批次任务名称”、“规范”，在搜索输入框中输入搜索条件，按回车键即可查询批次任务。 选择“任务名称”，在搜索输入框中输入搜索条件，按回车键即可查询子任务。 导出批次任务列表 单击页面的“导出”，可按需选择导出项，可将当前页面的所有标注任务导出至本地，以Excel形式查看。 导出任务 单击操作栏中的“导出数据集”，可创建导出任务。 导出单个批次任务 单击操作栏中的“导出任务列表”项目名称，可按需选择导出项，导出单个批次任务中拆分的任务。 拆分批次任务 单击操作栏中的“拆分”，即可对任务做拆分处理。具体步骤参考批次任务列表。 查看批次任务日志 单击操作栏中的“日志”，即可查看批次任务日志。 删除批次任务 选择批次任务单击“删除批次任务”，即可删除批次任务。 说明： 如果批次任务被拆分成子任务，则需要删除子任务后，才可删除批次任务。

关联题库 每个标注项目均可关联题库以及考试，课程或考试需在培训考试系统中创建完成，具体可参考培训考试。 进入项目详情页，单击“关联题库”页签； 单击“关联培训”或“关联考试”，选择“课程名称”或“考试名称”以及“职能”； 图9 关联培训 图10 关联考试 单击“确认”，课程或考试添加成功。 编辑题库 可单击操作栏的“编辑”，编辑职能。 解绑题库或考试 可单击操作栏的“解绑”，解绑题库或考试。 查看题库或考试详情 单击题库或考试名称，可查看题库或考试详情。

人员详情 标注平台统计承包标注项目的标注团队中所有标注员和审核员的累计工作量情况，如累计工作时长、提交任务数量等。管理员可单击箭头升序或降序排列，查看标注员和审核员的完成情况排序，也可以筛选时间，展示特定时间段内标注员、审核员（初审员/终审员）的任务累计完成情况。标注平台从帧数、标注框或对象三个维度统计累计提交任务数、累计工作时长、累计确认数、平均耗时五个指标，衡量标注员、审核员（初审员/终审员）的任务完成情况。 人员详情模块的展示根据项目任务流程有所裁剪。（标注员统计、初审员统计、终审员统计） 累计确认框数：标注员、初审员、终审员提交任务中确认有效框数的数量以及返修环节中新增的有效框数之和。 返修后有效框数变更会在重新提交任务时刷新。 累计提交任务数：标注员、初审员、终审员认领并提交的任务数量。 如果提交的任务，被下一步流程操作员退回时，则此任务不计入累计提交任务数。 累计重标注任务数：标注员重标注的任务次数。如果某任务返修多次，则累计重标注任务数叠加，累计提交任务数不变（只有标注员统计重标注任务）。 累计工作时长：标注员累计标注总时长、初审员累计初审总时长、终审员累计终审总时长，包含各自返修时长。 返修后有效帧变更为无效帧，累计时长会减去无效帧时间。无效帧变更为有效帧，累计时长会加上有效帧时间。 平均单框耗时：平均单帧标注/初审/终审的时间，计算方式为：累计工作时长/累计确认有效数。

项目概览 项目概览包括项目信息、项目今日状态以及项目相关数据图表统计，管理员可以快速掌握项目当前进度。 项目信息：项目名称、项目标注团队、项目预计结束时间、累计交付通过任务数、累计交付通过帧数以及总时长等信息。 图1 项目信息 今日状态统计：与昨日相比，今日项目中标注任务数量、审核、验收、交付任务数量及变化。绿色箭头表示上升，红色箭头表示下降。 图2 今日状态统计 审核/验收任务：待审核任务数包含待预初审及待预终审，审核中包含预初审，预终审。不统计重预（初终）审任务。 统计数值只显示项目任务流程包含的流程数值，如果流程中不包含，则用“--”代替数值。 项目任务流程：展示当前项目的流程。 图3 项目任务流程 项目相关数据图表统计：为便于管理员快速掌握项目进展情况，平台实时统计标注项目中相关重要数据量变化并将其制作成图表。管理者可通过图表中图形的变化了解当前项目进程。可设置时间范围，查询指定时间段内项目重要指标变化情况。目前为以下五种图表，图标的展示根据项目任务流程有所裁剪： 标注帧数统计：平台统计标注任务从任务下发、任务标注提交、重标注数这几个标注任务常见环节中数量变化，并以帧为单位绘制成图表。 图4 标注帧数统计 项目参与人数：标注员认领任务后，进行标注并保存任务进度，被平台视为参与该项目。同样，审核员认领审核任务进行审核并保存任务进度，被平台视为参与该项目。平台统计参与项目的标注员和审核员人数，并绘制成图表。 图5 项目参与人数 平均标注效率：标注平台实时统计项目标注速度变化情况，支持按帧数、框数或对象数查看。 图6 平均标注效率 标注工作时长为标注工作花费的总时长（实时统计）。 按帧查看时 ：标注速度=累计已提交任务的标注工作时长/总帧数。 按对象查看：标注速度=累计已提交任务的标注工作时长/总对象数。 按框查看：标注速度=累计已提交任务的标注工作时长/总框数。 鼠标静止时间大于等于5分钟，静止时间不计入标注工作时长内。 单日标注修改帧数：统计当日项目中所有标注员提交的标注任务总帧数。 图7 单日标注修改帧数 单日重标注任务数：根据项目流程，如果已提交的标注任务不满足下一步流程操作员的通过标准，操作员将其打回给标注员进行重标注，图表统计每天处于重标注状态的任务，同一任务单日多次被退回至重标注，不重复统计。 图8 单日重标注任务数

Dockerfile示例 FROM ros:noetic COPY ros_to_dataset.py /home/main/ # 算法启动示例： # python3 /home/main/ros_to_dataset.py --topic pandar --type pcd RUN apt install ros-noetic-cv-bridge python3-pcl libpcl-dev USER root

本地调试 准备一个待处理的rosbag，如~/data/20220620.bag，运行如下命令（基于上述示例镜像）： docker run -v ${HOME}/data/20220620.bag:/tmp/data/20220620.bag -v ${HOME}/tmp/output:/tmp/output --env output_dir=/tmp/output --env rosbag_path=/tmp/data/20220620.bag --env tmp_dir=/tmp/workspace ros-to-dataset:0.1 /bin/sh -c “python3 /home/main/ros_to_dataset.py --topic pandar --type pcd” 完成后在${HOME}/tmp/output目录查看运行结果文件：

数据处理作业队列相关操作 在“作业队列”页签，还可以进行以下操作。 表1 作业队列相关操作 任务 操作步骤 置顶作业 单击操作栏中的“置顶”，即可将作业调整至队列中最高优先级。 置底作业 单击操作栏中的“置底”，即可将作业调整至队列中最低优先级。 上移作业 单击操作栏中的“上移”，即可将作业调整至队列中上一级。 下移作业 单击操作栏中的“下移”，即可将作业调整至队列中下一级。 更新作业优先级 勾选单个或多个作业。 单击“更新优先级”，输入[-50,50]的整数，数字越大，优先级越高。 单击“确定”，优先级更改成功。相同优先级的任务，作业队列更新时间越早，优先级越高。 搜索作业 在搜索输入框中输入“作业ID”，按回车键即可查询。

“octopus_data_collection.yaml”配置文件说明 数据包中有“Octopus_data_collection.yaml”配置文件，各类型传感器的名字必须和文件夹名称一致，格式也必须与规范相匹配。 配置文件，主要包括车辆名称、传感器信息和标定ID等信息，详情参考如下： # 华为八爪鱼自动驾驶云服务数据采集说明 cardrive: collect_time: 2020-11-01T08:00:00+08:00 #数据包采集日期，精确到小时即可 station: '腾飞' #选填 数据采集地点名称，站点名称 car: vehicle_name: 'test0805' #车辆名称，仅支持在八爪鱼平台创建的车辆 route: 'shuttlebus_30km' #选填 车辆行驶路线 mode: 'auto' #选填 路线驾驶意图, auto代表自动驾驶, manual代表人工驾驶采集 tags: #选填 数据包对应标签ID description: '' #选填 数据包描述 data_type: opendata #必填 数据包类型，转换后的OpenData数据中包含ocotopus_data_collection.yaml文件 map_id:'' #选填，高精地图ID，字符串类型，配备后才可在回放数据界面展示高精地图信息。 folders: #必填，传感器信息（硬盘递送选填，obs导入和本地直传必填） camera: #camera类型传感器 数量不超过20个 - name: camera_03encode format: jpg lidar: #lidar类型传感器 数量不超过10个 - name: pandar format: pcd gnss: #gnss类型传感器 数量不超过1个 - name: inspvax format: proto3 radar: #radar类型传感器 数量不超过10个 - name: pandar format: pcd vehicle: #vehicle类型传感器 数量不超过1个 - name: holo_VehicleInfoMagotan format: proto3 ego_tf: #ego_tf类型传感器 数量不超过1个 - name: localization_info format: proto3 object_array_vision: - #object_array_vision类型传感器 数量不超过5个 - name: tracked_objects format: proto3 tag_record: #tag_record类型传感器 数量不超过1个 - name: tag_record format: proto3 planning_trajectory: #planning_trajectory类型传感器 数量不超过1个 - name: planning_trajectory format: proto3 predicted_objects: #predicted_objects类型传感器 数量不超过1个 - name: prediction_prediction_obstacles format: proto3 control: #control类型传感器 数量不超过1个 - name: holo_ControlCommand format: proto3 routing_path: # routing_path类型传感器 数量不超过1个 - name: routing_routing_response_viz format: proto3 traffic_light_info: # traffic_light_info类型传感器 数量不超过1个 - name: traffic_light format: proto3

使用场景 Octopus平台接收到原始数据（Rosbag包）后，将对数据进行解包、轨迹和接管分析等操作，用于数据总览、数据场景、数据回放、标注服务等模块，请用户结合实际需求，准备好相应模块所需数据。 Octopus平台转换后的OpenData数据服务模块所需数据请见下表： 表2 数据和模块对应关系 类型 消息 数据总览 数据场景 数据回放 标注服务 相机 camera - - √ √ 激光雷达 lidar - - √ √ 位置数据 gnss √ - √ - 自车坐标姿态 ego_tf - √ √ - 车辆数据 vehicle - √ √ - 感知推理 object_array_vision - √ √ - 接管及打标签信息 tag_record - - √ - 控制指令 control - - √ - 规划轨迹 planning_trajectory - - √ - 预测跟踪 predicted_objects - - √ - 全局规划 routing_path - - √ - 交通灯 traffic_light_info - - √ - 毫米波雷达 radar - - √ -