本技能聚焦 2023–2026 年 3D 点云标注工具、AI 辅助标注流程与训练架构选择，适用于自动驾驶、机器人、基础设施巡检与地理空间等场景。
用途：选择 3D 点云标注工具（BasicAI、Supervisely、Segments.ai、Deepen AI、Dataloop、Encord、Ango Hub），实现 SAM4D/Point-SAM 自动标注，设计人机协同（human-in-the-loop）流水线，处理相机+LiDAR+雷达的传感器融合标注，以及在专用模型与视觉语言模型（VLM）之间做训练架构决策。不适合纯 2D 图像标注、通用模型训练、无点云的视频标注、VLM 提示工程与摄影测量/三维重建。
主要能力：开源方案包括 CVAT（仅 3D 包围盒，插值有限）、3D BAT（全景标注、半自动跟踪）、Label Studio（3D 支持有限）。AI 进展包括 SAM4D（ICCV 2025，统一多模态位置编码 UMPE 对齐相机与 LiDAR，数据引擎可自动生成伪标签，附 Waymo-4DSeg 数据集）、Point-SAM（ICLR 2025，原生 3D 点云提示分割，经 2D SAM 蒸馏）、SAMNet++（SAM 无监督分割加 PointNet++ 语义精修，适合无人机工作流）。流程上提供 AI 预标注→人工复核→质检的人机协同架构，含共识抽样、主动学习、分级复核等质检策略，并对比人工、AI 预标注加复核、SAM4D 数据引擎的效率与质量。还给出专用模型与 VLM 的取舍（延迟、3D 精度、开放词汇、边缘部署、幻觉风险），推荐 VLM 作慢脑、专用检测器作快脑的混合架构，以及基础设施巡检、自动驾驶、农业/野火等垂直训练要点。
使用方式：按资料中的决策树判断是否需要实时推理、是否为探索性任务、是否有标注数据，再据工具选择矩阵挑选方案；自托管可选 CVAT 加 3D 插件或 3D BAT，预算有限可用 Label Studio 加自定义脚本。
限制：文中未提供各工具的价格、许可证细节与部署前提；具体配置、接口与数据格式暂未提供，需以官方文档为准。常见误区包括直接在点云上运行 2D SAM、跳过人工验证、用 VLM 做实时推理以及单模态训练。