Mengubah Pemahaman Pemandangan Kereta Api dengan Anotasi LiDAR & 2D
Ketahui bagaimana perkhidmatan anotasi data LiDAR, kamera dan 2D Shaip membantu model AI mengesan objek, memahami persekitaran kereta api dan meningkatkan persepsi mobiliti autonomi.
Gambaran Keseluruhan projek
Sistem persepsi kereta api moden memerlukan lebih daripada sekadar pelabelan objek generik. Ia memerlukan konteks khusus kereta api, geometri yang tepat dan konsistensi sensor silang yang andal merentasi awan titik LiDAR dan pandangan kamera yang disegerakkan.
Bagi menangani keperluan ini, Shaip telah diupah untuk projek anotasi data rel LiDAR yang meliputi pemandangan infrastruktur kereta api. Skop tersebut merangkumi anotasi awan titik LiDAR yang disokong oleh lima imej rujukan 2D yang disegerakkan setiap pemandangan, menggunakan taksonomi 29 kelas dengan mandatori dan pilihan.
atribut untuk setiap kelas.
Matlamatnya adalah untuk mencipta set data berstruktur dan terkawal kualiti yang mampu melatih dan mengesahkan model persepsi kereta api untuk pengesanan objek, pemahaman tempat kejadian, kesedaran landasan dan tafsiran infrastruktur.
Statistik Utama
Persediaan Sensor
Awan titik LiDAR
taksonomi
29 kelas khusus rel
Sasaran Kualiti
≥99% ketepatan anotasi keseluruhan
Ketekalan Merentas Sensor
≥99% LiDAR – penjajaran 2D
Cabaran
- Memberi anotasi pemandangan rel multimodal secara konsisten merentasi imejan LiDAR dan 2D
- Mengurus taksonomi khusus rel bagi 29 kelas dengan atribut terperinci dan hubungan objek
- Mengekalkan konsistensi rentas sensor antara anotasi 3D dan 2D
- Mengekalkan ketepatan geometri untuk struktur linear seperti trek dan kabel
- Memenuhi ambang ketepatan yang ketat untuk label kelas, geometri dan atribut dalam persekitaran perintis
Penyelesaian
Shaip mereka bentuk aliran kerja anotasi yang berfokus pada kereta api yang disesuaikan dengan keperluan teknikal projek.
Strategi Data
Menentukan saluran anotasi multimodal yang meliputi data awan titik LiDAR dan lima imej rujukan 2D yang disegerakkan bagi setiap bingkai LiDAR.
Kerangka Anotasi
Menggunakan pelbagai kaedah anotasi berdasarkan jenis objek dan struktur pemandangan:
- Anotasi Kuboid 3D untuk objek isipadu diskret
- Anotasi Poligaris 3D untuk struktur berkaitan rel linear
- Kotak Bounding 2D untuk penyetempatan objek dalam imej
- Poligon 2D untuk sempadan objek yang tidak sekata
- Poliline 2D untuk rel, kabel dan penanda
- Kuboid 3D dalam paparan 2D yang memerlukan orientasi dan konteks kedalaman
Reka Bentuk Taksonomi Khusus Rel
Memberi anotasi 29 kelas yang telah ditetapkan merangkumi orang, barang peribadi, kenderaan, kereta api, gerabak, haiwan, landasan, suis, tiang katenari, tiang isyarat, isyarat, jambatan isyarat, hentian penimbal, objek ujian pantulan dan entiti pemandangan rel yang lain.
Anotasi Kaya Atribut
Menangkap kedua-dua atribut wajib dan pilihan termasuk:
- Tahap oklusi
- Keadaan dan jenis
- Kesambungan melalui connectedTo
- Pengecam sisi rel dan landasan
- Susunan dan orientasi objek
- Muka isyarat, aspek dan sifat struktur
ID & Integriti Perhubungan
Memastikan setiap anotasi mempunyai ID anotasi unik dan setiap objek mempunyai ID objek unik dalam format UUID, dengan hubungan dwiarah connectedTo dengan cara yang peka sensor.
Peraturan Ketepatan & QA
Peraturan anotasi yang dilaksanakan termasuk:
- Anggaran oklusi merentasi 2D dan 3D
- Ambang pelabelan 2D objek ≥25 px tinggi atau lebar
- Toleransi 2D ±3 px
- Toleransi 3D sehingga 10 cm
- Penjajaran putaran pada paksi-z untuk konsistensi menghadap objek
- QA 3-lapisan dengan gelung pembetulan untuk output sub-ambang
Skop projek
| Elemen Set Data | spesifikasi |
|---|---|
| Modaliti Utama | Data awan titik LiDAR |
| Modaliti Rujukan | 5 imej 2D yang disegerakkan setiap bingkai LiDAR: 3 imej IR dan 5 imej RGB |
| Jumlah Kelas | 29 kelas khusus rel |
| Jenis Anotasi 3D | Kuboid 3D, Poligaris 3D |
| Jenis Anotasi 2D | Kotak Sempadan 2D, Poligon 2D, Poligaris 2D, Kuboid 3D dalam paparan 2D |
| Jumlah Juruterbang | 2 urutan |
| Piawaian ID | ID anotasi dan ID objek berasaskan UUID |
| Sasaran Ketepatan | ≥99% keseluruhan, atribut ≥99%, ketekalan rentas sensor ≥99% |
Contoh Liputan Kelas
| kategori | Kelas Contoh | Jenis Anotasi |
|---|---|---|
| Manusia & Mobiliti | orang, kerusi roda, skuter, basikal, orang ramai | BB 2D / Poligon 4 titik / BB 3D |
| Aset Rel | kereta api, hadapan_kereta api, gerabak, landasan, suis, kasut_seret | garis besar poligon / poligaris / 3D BB |
| Isyarat & Overhed | isyarat, kutub_isyarat, jambatan_isyarat, kutub_katarinari | BB 2D / poligon garis besar / BB 3D |
| Alam Sekitar & Pelbagai | kenderaan_jalan_raya, haiwan, sekumpulan_haiwan, objek_ujian_reflektif, asap, api | berbeza mengikut kelas |
Hasil
- Mewujudkan rangka kerja anotasi multimodal khusus rel untuk LiDAR dan data imej
- Menentukan taksonomi kereta api 29 kelas dengan pengendalian atribut terperinci
- Tetapkan penanda aras kualiti ≥99% merentasi ketepatan anotasi, atribut & konsistensi rentas sensor
- Mewujudkan asas sedia untuk juruterbang bagi membina model persepsi kereta api yang boleh dipercayai tinggi
Dari segi strategik, projek ini meletakkan sistem AI kereta api pelanggan dengan pemahaman pemandangan yang lebih kukuh merentasi persekitaran kereta api, yang mana geometri, kesinambungan objek dan konteks infrastruktur adalah penting.
Pendekatan anotasi multimodal Shaip membantu kami menstrukturkan set data kereta api yang sangat khusus dengan ketepatan yang diperlukan untuk pembangunan model persepsi. Tumpuan mereka pada kedalaman taksonomi, ketepatan geometri & konsistensi rentas sensor telah mewujudkan asas yang kukuh untuk saluran paip AI kereta api kami.
