LiDAR ve 2D Açıklama ile Demiryolu Sahne Anlayışını Dönüştürmek
Shaip'in LiDAR, kamera ve 2D veri etiketleme hizmetlerinin yapay zeka modellerinin nesneleri algılamasına, demiryolu ortamlarını anlamasına ve otonom hareketlilik algısını geliştirmesine nasıl yardımcı olduğunu keşfedin.
Projeye Genel Bakış
Modern demiryolu algılama sistemleri, genel nesne etiketlemesinden daha fazlasını gerektirir. Raylara özgü bağlam, doğru geometri ve LiDAR nokta bulutları ile senkronize kamera görüntüleri arasında güvenilir sensörler arası tutarlılık gerektirirler.
Bu ihtiyacı karşılamak için Shaip, demiryolu altyapı sahnelerini kapsayan bir LiDAR demiryolu verisi açıklama projesi için görevlendirildi. Proje kapsamı, her sahne için beş senkronize 2B referans görüntüsüyle desteklenen LiDAR nokta bulutlarının, zorunlu ve isteğe bağlı 29 sınıflı bir taksonomi kullanılarak açıklanmasını içeriyordu.
Her sınıf için özellikler.
Amaç, nesne tespiti, sahne anlama, ray farkındalığı ve altyapı yorumlaması için demiryolu algılama modellerini eğitmek ve doğrulamak amacıyla kullanılabilecek yapılandırılmış, kalite kontrollü bir veri seti oluşturmaktı.
Anahtar İstatistikler
Sensör Kurulumu
LiDAR nokta bulutu
taksonomisi
29 Raylı sisteme özgü sınıflar
Kalite Hedefleri
Genel açıklama doğruluğu ≥%99
Sensörler Arası Tutarlılık
≥%99 LiDAR – 2B hizalama
Meydan Okumalar
- LiDAR ve 2D görüntülerde çok modlu demiryolu sahnelerinin tutarlı bir şekilde etiketlenmesi
- Ayrıntılı niteliklere ve nesne ilişkilerine sahip 29 sınıftan oluşan, demiryoluna özgü bir taksonominin yönetimi.
- 3D ve 2D açıklamalar arasında sensörler arası tutarlılığın sağlanması
- Raylar ve kablolar gibi doğrusal yapılarda geometrik hassasiyetin korunması
- Pilot ortamda sınıf etiketleri, geometri ve öznitelikler için katı doğruluk eşiklerine ulaşılması
Çözüm
Shaip, projenin teknik gereksinimlerine uygun, demiryolu odaklı bir açıklama ekleme iş akışı tasarladı.
Veri Stratejisi
LiDAR nokta bulutu verilerini ve her LiDAR karesi için beş adet senkronize edilmiş 2B referans görüntüsünü kapsayan çok modlu bir açıklama işlem hattı tanımlandı.
Açıklama Çerçevesi
Nesne türüne ve sahne yapısına bağlı olarak birden fazla açıklama yöntemi uygulandı:
- Ayrık hacimsel nesneler için 3 boyutlu dikdörtgen prizma açıklaması
- Doğrusal raylı yapılar için 3 boyutlu çokgen çizgi açıklaması
- Görüntülerde nesne konumlandırma için 2 boyutlu sınırlayıcı kutu.
- Düzensiz nesne sınırları için 2 boyutlu çokgen
- Raylar, kablolar ve işaretlemeler için 2 boyutlu çokgen çizgi.
- Yönelim ve derinlik bağlamının gerekli olduğu 2 boyutlu görünümlerde 3 boyutlu dikdörtgen prizma.
Demiryoluna Özgü Taksonomi Tasarımı
İnsanlar, kişisel eşyalar, araçlar, trenler, vagonlar, hayvanlar, raylar, makaslar, katener direkleri, sinyal direkleri, sinyaller, sinyal köprüleri, tampon durdurucular, yansıtıcı test nesneleri ve diğer demiryolu sahnesi varlıklarını kapsayan 29 önceden tanımlanmış sınıfa açıklama eklenmiştir.
Nitelik Açısından Zengin Açıklama
Aşağıdakiler de dahil olmak üzere hem zorunlu hem de isteğe bağlı özellikler kaydedildi:
- Oklüzyon seviyeleri
- Eyalet ve tür
- connectedTo aracılığıyla bağlantı
- Ray kenarı ve hat tanımlayıcıları
- Nesnelerin sırası ve yönü
- Sinyal yüzü, görünümü ve yapısal özellikleri
Kimlik ve İlişki Bütünlüğü
Her bir açıklamanın benzersiz bir açıklama kimliğine ve her bir nesnenin UUID biçiminde benzersiz bir nesne kimliğine sahip olmasını ve sensör duyarlı bir şekilde çift yönlü connectedTo ilişkilerinin kurulmasını sağladık.
Hassas Kurallar ve Kalite Güvencesi
Uygulanan açıklama kuralları şunlardır:
- 2D ve 3D'de tıkanma tahmini
- Yüksekliği veya genişliği ≥25 piksel olan nesnelerin 2 boyutlu etiketleme eşiği
- 2D toleransı ±3 px
- 10 cm'ye kadar 3 boyutlu tolerans
- Nesnenin düzgün görünmesi için z ekseni üzerinde döndürme hizalaması.
- Eşik altı çıktılar için düzeltme döngülerine sahip 3 katmanlı kalite güvence sistemi
Proje kapsamı
| Veri Kümesi Öğesi | Özellikler |
|---|---|
| Birincil Yöntem | LiDAR nokta bulutu verileri |
| Referans Yöntemi | LiDAR karesi başına 5 senkronize 2 boyutlu görüntü: 3 kızılötesi görüntü ve 5 RGB görüntü |
| Toplam Sınıflar | 29 demiryolu özel sınıfı |
| 3B Ek Açıklama Türleri | 3B Dikdörtgen Prizma, 3B Çokgen Çizgi |
| 2B Ek Açıklama Türleri | 2B Sınır Kutusu, 2B Çokgen, 2B Çoklu Çizgi, 3B Dikdörtgen Prizma (2B görünümlerde) |
| Pilot Hacmi | 2 dizileri |
| Kimlik Standardı | UUID tabanlı açıklama kimliği ve nesne kimliği |
| Doğruluk Hedefleri | Genel olarak ≥%99, özellik açısından ≥%99, sensörler arası tutarlılık açısından ≥%99 |
Örnek Sınıf Kapsamı
| Kategoriler | Örnek Sınıflar | Açıklama Türü |
|---|---|---|
| İnsanlar ve Hareketlilik | kişi, tekerlekli sandalye, scooter, bisiklet, kalabalık | 2B BB / 4 noktalı çokgen / 3B BB |
| Demiryolu Varlıkları | tren, tren önü, vagonlar, ray, makas, çekme pabucu | kontur çokgeni / çoklu çizgi / 3B BB |
| Sinyalizasyon ve Genel Giderler | sinyal, sinyal direği, sinyal köprüsü, katenar direği | 2B BB / dış hat çokgeni / 3B BB |
| Çevre ve Çeşitli | karayolu aracı, hayvan, hayvan grubu, yansıtıcı test nesneleri, duman, alev | sınıfa göre değişiyordu |
Çıktıları
- LiDAR ve görüntü verileri için demiryoluna özgü çok modlu bir açıklama çerçevesi oluşturuldu.
- Ayrıntılı özellik yönetimiyle 29 sınıflı bir demiryolu taksonomisi tanımlandı.
- Ek açıklama doğruluğu, özellikler ve sensörler arası tutarlılık genelinde ≥%99 kalite ölçütleri belirleyin.
- Yüksek güvenilirlik düzeyine sahip demiryolu algılama modelleri oluşturmak için pilot uygulamaya hazır bir temel oluşturuldu.
Stratejik açıdan bakıldığında, bu proje, geometri, nesne sürekliliği ve altyapı bağlamının kritik önem taşıdığı demiryolu ortamlarında, müşterinin yapay zeka sistemlerini daha güçlü bir sahne anlayışıyla donatıyor.
Shaip'in çok modlu açıklama yaklaşımı, algılama modeli geliştirme için gereken hassasiyetle son derece özel bir demiryolu veri setini yapılandırmamıza yardımcı oldu. Taksonomi derinliğine, geometrik doğruluğa ve sensörler arası tutarlılığa odaklanmaları, demiryolu yapay zeka hattımız için güçlü bir temel oluşturdu.
