用途：为 3D 点云标注提供专家级指导，包括工具选型、AI 辅助标注工作流设计，以及面向 LiDAR/点云计算机视觉的训练架构决策，应用于自动驾驶、机器人、基础设施巡检与地理空间领域。
主要能力：
- 工具选型。商业工具包括 BasicAI（一键检测、自动驾驶预标注）、Supervisely（可定制、AI 跟踪、2D→3D 一键转换）、Segments.ai（2D+3D 同步、序列传播）、Deepen AI（传感器标定、多传感器像素级）、Dataloop（企业 MLOps、模型辅助）、Encord（全流程、Track-ID 管理）、Ango Hub（密集标注、帧间传播）。开源包括 CVAT（稳定，仅 3D 包围盒、插值有限）、3D BAT（全环绕标注、半自动跟踪）、Label Studio（3D 支持有限，更适合多格式）。
- AI 自动标注。SAM4D（ICCV 2025）用统一多模态位置编码对齐相机与 LiDAR，数据引擎可自动生成伪标签；Point-SAM（ICLR 2025）为点云原生设计的 transformer，通过知识蒸馏从 2D SAM 迁移；SAMNet++ 采用 SAM 无监督分割加 PointNet++ 精修，适合无人机彩色点云。
- 人在回路流程。原始数据→AI 预标注→人工复核→QA 检查，AI 不确定处才需修正。资料给出效率对比：纯人工 1 万帧约 400 小时，AI 预标注加复核约 50 小时，SAM4D 数据引擎约 4 小时。
- 训练架构。专用模型（YOLO、PointPillars、CenterPoint）延迟低、几何精度高、可边缘部署、无幻觉；VLM 支持开放词汇但延迟高、有幻觉风险。推荐混合架构：VLM 做场景理解与开放词汇，专用检测器做实时安全关键决策。
使用方式：资料未提供具体安装命令或代码示例，仅给出决策树与工具选择矩阵，例如自动驾驶大规模用 Deepen AI 或 BasicAI，研发灵活性用 Supervisely 或 Segments.ai，多模态用 Ango Hub 或 Dataloop，自托管用 CVAT 加 3D 插件或 3D BAT。
适用场景：自动驾驶、机器人感知、基础设施巡检、农业与野火监测等。
限制：不适用于无 3D 上下文的 2D 图像标注、通用 ML 模型训练、无点云的视频标注、VLM 提示工程、摄影测量与 3D 重建。资料提醒避免对一切直接套用 SAM、跳过人工验证、用 VLM 做实时推理、单模态训练等反模式。