Hizmet Robotları ve Somutlaştırılmış Yapay Zeka için İç Mekan Sahne Nesnesi Açıklaması — Vaka Çalışması
Shaip, önde gelen bir robotik inovasyon şirketi için kapsamlı iç mekan sahne açıklaması nasıl gerçekleştirdi? Oda ortamlarındaki her nesneyi mekansal ilişki etiketlemesiyle tespit edip etiketleyerek, evler, ofisler, depolar ve sağlık tesislerinde robotik algılama ve navigasyon yapay zekası için üretim kalitesinde bir veri seti oluşturdu.
Projeye Genel Bakış
Robotik teknolojisi evler, ofisler, depolar ve hastaneler gibi gerçek dünya ortamlarında yaygınlaştıkça, müşteri, yoğun ve karmaşık iç mekan sahnelerindeki her görünür nesneyi etiketleyebilecek ve robotik etkileşim görevleri için yeterli özellik zenginliğine sahip kapsamlı bir etiketleme hattına ihtiyaç duydu.
Shaip, sınırlayıcı kutu ve çokgen segmentasyonu, yoğun nesne dahil etme, mekansal ilişki etiketleme ve yansıtıcı yüzey işleme gibi uçtan uca bir açıklama işlem hattı oluşturarak robotik algılama, navigasyon ve insan-çevre etkileşimi için modele hazır veri kümeleri üretti.
Anahtar İstatistikler
Nesneler / Görüntü
100s
Kategoriler
Yoğun
Yöntemler
Kutu + Çokgen
Nitelik Katmanları
4
Meydan Okumalar
- Açıklama her görünür nesne Yoğun bir şekilde dağınık oda görüntülerinde — kare başına yüzlerce
- Doğru yöntemi seçmek — sınırlayıcı kutu ve çokgen segmentasyonu karşılaştırması — nesne karmaşıklığına bağlı olarak
- Dahil olmak üzere küçük nesneler Robotik etkileşim için kritik öneme sahip anahtarlar, fişler ve dekoratif öğeler gibi.
- kullanma yansıtıcı yüzeyler (aynalar, cam masalar) hayalet açıklamalar olmadan
- Etiketleme Mekansal ilişkiler ve bağlam duyarlı robotik yapay zeka için nesne durumları
Çözüm
Kapsamlı Nesne Dahil Etme
Her oda görüntüsündeki görünen her nesne, çok çeşitli kategorilerde ayrı ayrı etiketlendi: mobilyalar (sandalyeler, masalar, kanepeler, yataklar, raflar), ev aletleri (televizyonlar, buzdolapları, mikrodalga fırınlar, lambalar), kişisel eşyalar (çantalar, kitaplar, şişeler, giysiler), yapısal unsurlar (kapılar, pencereler, duvarlar, zeminler) ve küçük nesneler (uzaktan kumandalar, bardaklar, tabaklar, klavyeler, anahtarlar, fişler).
Nesne Başına Yöntem Seçimi
Nesneler, şekillerine ve karmaşıklıklarına bağlı olarak sınırlayıcı kutular veya çokgen segmentasyon kullanılarak hassas bir şekilde etiketlendi. Düzenli dikdörtgen nesneler için kutular; organik şekiller ve kutuların aşırı derecede üst üste bineceği yerlerde çokgenler kullanıldı. Nesne bazında yapılan bu yöntem seçimi, karmaşık sahnelerde bile temiz sınırlar sağladı.
Mekansal İlişki Etiketleme
Etiketlenmiş her nesne, nesne durumu (kapılar ve çekmeceler için açık veya kapalı), diğer nesnelere göre yakınlığı ve konumu gösteren mekansal ilişki etiketleri, örtüşme durumu ve nesne koşulu gibi özelliklerle zenginleştirildi. Bu mekansal zeka katmanı, robotik yapay zeka sistemlerinin yalnızca nesneleri tespit etmekle kalmayıp, bağlamı da anlamasını sağlar.
Küçük Nesne ve Etkileşim - Kritik Kapsam
Etiketleyiciler, boyutuna bakılmaksızın görünen her nesneyi etiketlemek için katı dahil etme kurallarına uydular; bu, robotik etkileşim görevleri için kritik öneme sahip anahtarlar, fişler ve dekoratif nesneler gibi küçük öğeleri de içeriyordu. Bu öğeler genellikle bir robotun görevini tamamlayıp tamamlayamayacağını belirlediğinden, öncelikleri düşürülemezdi.
Yansıtıcı Yüzey İşleme
Aynalar ve cam masalar gibi yansıtıcı yüzeyler, yinelenen veya hayalet etiketlemeyi önlemek için özel işlem gerektiriyordu. Yansıyan nesnelerin ayrı olarak etiketlenip etiketlenmeyeceği, göz ardı edilip edilmeyeceği veya işaretlenip işaretlenmeyeceği konusunda belirli yönergeler vardı; bu da sonraki modellerin hatalı etiketlerden öğrenmemesini sağlıyordu.
Proje kapsamı
| Veri Kümesi Türü | Kapsam | Yöntemler | Kategoriler | Özellikler | Özel Kullanım |
|---|---|---|---|---|---|
| İç mekan sahne nesnesi açıklaması | Görünen her nesne | Kutu + çokgen | Mobilya, ev aletleri, kişisel eşyalar, yapısal, küçük | 4 katman (durum, mekansal, tıkanma, koşul) | Yansıtıcı yüzey kuralları |
Çıktıları
- Kuruldu nesne yoğun açıklama işlem hattı iç mekan robotik algılama için
- Standardize nesne başına yöntem seçimi sınırlayıcı kutular ve çokgen segmentasyonu arasında
- teslim mekansal ilişki etiketleme bağlamı bilen robotik yapay zekayı mümkün kılmak
- uygulanan yansıtıcı yüzey işleme Hayalet açıklamaları önlemek için
- Müşterinin etkinleştirilmesi ev, depo, perakende ve sağlık tesisi robotik yapay zeka dağıtımı
Genel olarak, Shaip, nesne yoğunluğu yüksek iç mekan etiketleme gereksinimini, robotik navigasyonu, alma-yerleştirme otomasyonunu, akıllı ortam izlemeyi ve çeşitli iç mekan uygulama ortamlarında insan-robot etkileşimini destekleyebilen, yapılandırılmış ve üretime hazır bir süreç hattına dönüştürmeye yardımcı oldu.
Shaip, odaları robotlarımızın gördüğü şekilde, her nesneyi, her ilişkiyi, önemli olan her küçük ayrıntıyı işaretledi. Anahtarlara, prizlere ve yansıtıcı yüzeylere gösterdikleri dikkat, algılama modelimizin çoğu veri setinin göz ardı ettiği şeylere takılmamasını sağladı.
