Anotasi Kotak Bounding LiDAR 3D untuk Pemanduan Autonomi
Bagaimana Shaip menyampaikan anotasi kotak sempadan kuboid 3D yang tepat merentasi 14 kelas objek dengan ~53 kotak setiap bingkai pada data awan titik bingkai tunggal — dikalibrasi terhadap imejan 2D untuk persepsi kenderaan autonomi pada skala pengeluaran.
Gambaran Keseluruhan projek
Ketika persepsi pemanduan autonomi bergerak ke arah penggunaan pengeluaran, pelanggan memerlukan saluran anotasi LiDAR 3D yang sangat khusus yang mampu meletakkan kotak sempadan kuboid tepat pada ketumpatan yang diperlukan untuk data latihan AV sebenar — dengan pelabelan berbilang atribut dan penentukuran imej 2D.
Shaip membina saluran anotasi hujung ke hujung yang meliputi penempatan kuboid 3D, penguatkuasaan saiz lalai, pelabelan berbilang atribut, pengendalian kes pinggir persekitaran dan pengesahan imej rujukan — yang menyediakan set data persepsi AV sedia model merentasi 14 kelas objek.
Status Utama
Kelas Objek
14
Kotak setiap Bingkai
~ 53
Lapisan Atribut
5
Tahap Oklusi
4
Cabaran
- Meletak ~53 kotak kuboid 3D setiap bingkai dengan pemasangan ketat yang tepat untuk menghala ke tepi awan
- pengendalian 14 kelas objek merentasi kenderaan, pejalan kaki, haiwan dan objek boleh alih
- Kerja serentak dengan imejan penentukuran 2D dan awan titik 3D data
- Urusan awan titik hantu, pantulan tanah, kabus, kabus dan percikan air
- Menguatkuasakan dimensi saiz lalai setiap kelas untuk konsistensi silang bingkai
Penyelesaian
Aliran Kerja Penempatan Kuboid 3D
Anotator meletakkan kotak sempadan kuboid 3D yang tepat pada data awan titik bingkai tunggal secara serentak dengan rujukan imej penentukuran 2D. Setiap kelas didatangkan dengan dimensi kotak sempadan lalai yang ditetapkan untuk memastikan konsistensi saiz merentasi bingkai — kereta 3.4–5.1m, trak 3.4–14m, pejalan kaki selebar 0.4–1.2m.
Pelabelan Berbilang Atribut
Selain penempatan kotak sempadan, setiap objek beranotasi menerima label atribut yang meliputi keadaan kenderaan (memandu/meletak kereta), keadaan kenderaan dua roda (dengan/tanpa penunggang), keadaan pejalan kaki (berdiri/duduk/berbaring), keadaan oklusi (4 tahap: tiada, separa, paling banyak, penuh), dan keadaan hujung kaki (objek yang menonjol, pintu terbuka, peralatan terpasang).
Pengendalian Kes Pinggir Alam Sekitar
Peraturan ketat mengawal anotasi objek yang sangat tersumbat atau jauh, awan titik hantu yang disebabkan oleh salah penentukuran LiDAR berganda, pantulan tanah dan bunyi persekitaran daripada percikan air, kabus dan jerebu. Cermin sisi, pintu terbuka, lengan kren, rak bumbung dan bagasi pejalan kaki dikecualikan secara jelas; siren kecemasan dan kontena katil trak disertakan.
Pengesahan Padanan Kotak Ketat
Kotak-kotak dikehendaki dipasang rapat pada tepi awan titik dengan jurang yang minimum. Orientasi telah disahkan melalui data penentukuran dan konteks lorong di mana awan titik adalah samar-samar. Pemandangan malam dan hujan dianggap setara dengan keadaan siang hari untuk konsistensi anotasi.
QA Merentas Modal
Semua anotasi telah disahkan terhadap imej rujukan 2D untuk mengesahkan saiz dan orientasi yang betul. Lapisan QA rentas modal ini mengesan salah jajaran yang tidak akan dapat dilihat dari awan titik sahaja, memastikan ketepatan gred pengeluaran untuk latihan model persepsi AV hiliran.
Skop projek
| Jenis Set Data | kelas | Kotak/Bingkai | Atribut | Tahap Oklusi | Pengesahan |
|---|---|---|---|---|---|
| Persepsi AV LiDAR 3D | 14 | ~53 purata | 5 lapisan atribut | 4 (0–100%) | Semakan silang imej 2D |
Hasil
- Ditubuhkan a saluran paip anotasi LiDAR 3D yang padat dengan ~53 kotak setiap bingkai pada ketepatan pengeluaran
- Diperkayakan Ontologi objek 14 kelas dengan penguatkuasaan saiz lalai setiap kelas
- Dihantar 5 lapisan atribut termasuk klasifikasi oklusi 4 peringkat
- Dilaksanakan QA merentas modal mengesahkan kotak 3D terhadap imejan penentukuran 2D
- Membolehkan klien persepsi kenderaan autonomi, ADAS dan pemanduan sendiri latihan model
Secara keseluruhannya, Shaip telah membantu mengubah keperluan persepsi LiDAR 3D yang kompleks kepada saluran paip anotasi berstruktur dan sedia untuk pengeluaran — saluran paip yang mampu menyokong pembangunan pemanduan autonomi, ADAS, robotaxi dan trak pandu sendiri dengan ketepatan gred penentukuran merentasi keadaan dunia sebenar yang mencabar.
Shaip mengendalikan kes tepi AV yang memecahkan kebanyakan saluran anotasi — kabus, awan titik hantu, oklusi padat dan ~53 kotak setiap bingkai. Pengesahan silang 2D-3D mereka memberi kami data latihan persepsi yang kami percayai.
