Les données à l'origine de l'intelligence physique
Chaque robot qui se déplace sur le plancher d’une usine, chaque véhicule autonome qui détecte un piéton et chaque drone qui se pose sur une cible en mouvement s’appuie sur une seule chose : des données annotées fiables de haut niveau. Or, à mesure que l’IA physique gagne en complexité, son pipeline de données se complexifie lui aussi. La robotique et les systèmes autonomes doivent interpréter des données issues de caméras, de lidars, de radars, d’IMU et de capteurs GPS — souvent en temps réel. C’est là que l’annotation pour la fusion 3D des capteurs devient importante pour la mission.
Le défi de la perception dans les systèmes d'IA physiques
Les systèmes d’IA physiques modernes reposent sur une perception multimodale — voir, capter et comprendre leur environnement. Mais les données brutes qu’ils captent sont désordonnées :
- Nuages de points lidar comptant des millions de points par trame.
- Échos radar qui captent la profondeur et la vitesse, mais pas la forme.
- Flux vidéo provenant de caméras RGB ou infrarouges.
- Signaux inertiels et GPS qui exigent un alignement temporel.
Réunir ces flux dans un jeu de données unifié exige un pipeline de fusion et une main-d’œuvre qui comprend la géométrie 3D, les repères de coordonnées et l’étalonnage des capteurs. L’annotation traditionnelle de boîtes englobantes 2D ne suffit tout simplement pas.
Pourquoi l’annotation de données 3D est-elle si complexe — et si coûteuse
L'étiquetage des données 3D nécessite une expertise et des outils spécialisés :
- Les cadres de délimitation 3D et la segmentation sémantique doivent s'aligner précisément sur les matrices de calibrage des capteurs.
- La synchronisation temporelle entre plusieurs capteurs garantit que les images représentent le même instant.
- La gestion de l'occlusion et le suivi multi-images** déterminent si un objet réapparaît ou se déplace hors de vue.
- La cohérence des annotations et l'accord interannotateurs (IAA) affectent directement les performances du modèle.
En raison de ces défis, de nombreuses entreprises sont confrontées à des blocages dans l'apprentissage des modèles de perception : capacité limitée, faible qualité et longs délais. C'est pourquoi elles se tournent vers des partenaires de niveau entreprise qui peuvent fournir des pipelines d'annotation évolutifs et vérifiables.
Étiquetage pour la fusion de capteurs — l’avenir de l’annotation de données en robotique
L’annotation par fusion de capteurs combine des données provenant de multiples modalités (lidar, radar, vidéo) pour créer une représentation plus riche du monde physique. Pour la robotique et les véhicules autonomes, cela signifie :
- Une précision accrue de la détection d’objets en faible luminosité ou par mauvais temps. Des estimations de profondeur et de vitesse améliorées.
- Une compréhension de la scène plus robuste grâce à des entrées de capteurs validées par recoupement.
- Moins d’angles morts et de défaillances dans les cas limites.
Uber AI Solutions peaufine ce processus depuis dix ans sur sa propre plateforme de mobilité et dans des programmes de collaboration à l’échelle mondiale.
Conclusion — Des données brutes à la perception du monde réel
L’IA physique n’est aussi performante que les données qui l’entraînent à voir et à agir. En alliant une technologie avancée d’annotation de capteurs à un réseau humain mondial et à des cadres rigoureux d’assurance et de contrôle, Uber AI Solutions permet aux entreprises de concevoir des robots, des véhicules et des machines fiables qui peuvent fonctionner en toute sécurité dans le monde réel.
Industry solutions
Industries
Guides