Mine põhisisu juurde

Kuidas skaleeritav 3D-andurite ühendatud märgistamine toetab füüsilist tehisintellekti

Andmete taga, mis toetavad füüsilist intelligentsust

Iga takistusest kõrvale põikav isesõitev sõiduk, tehasepõrandal navigeeriv robot ja liikuvale sihtmärgile maanduv kullerdroon sõltub ühest ja samast asjast: kvaliteetsetest ja nõuetekohaselt märgendatud andmetest. Füüsilise maailma mõistmiseks mõeldud masinate ehitamine nõuab enamat kui lihtsalt toorandmeid. Füüsilise tehisintellekti keerukamaks muutudes muutub ka selle andmevoog. Robootika ja autonoomsed süsteemid peavad reaalajas aru saama kaamerate, LiDAR-ide, radarite, IMU-de ja GPS-andurite sisenditest. Siinkohal muutub 3D-sensorandmete ühendamise ja märgendamise täpsus äärmiselt oluliseks.

Tajutuse väljakutse füüsilistes tehisintellekti süsteemides

Kaasaegsed füüsilised tehisintellekti süsteemid sõltuvad multimodaalsest tajumisest, mis tähendab, et nad näevad, tunnetavad ja mõistavad oma keerulist keskkonda. Kuid nende kogutud algandmed on sageli korratud. Näiteks:

  • LiDAR-pilvepunktid, kus igas kaadris on miljoneid punkte.


  • Radar tagastab tulemused, mis hõlmavad sügavust ja kiirust, kuid mitte kuju.


  • Video vood pärinevad RGB või infrapuna kaameratest.


  • Inertsiaal- ja GPS-signaalid, mis vajavad ajalist joondamist.


Kui need andmevood on eraldatud, näevad masinad üksikuid fragmente. Nende voogude ühendamine ühtseks andmekogumiks nõuab liitmistöötlust ja tööjõudu, kes mõistab 3D-geomeetriat, koordinaatsüsteeme ja andurite kalibreerimist. 3D-andurite liitmise märgistamine põimib need erinevad sisendid üheks terviklikuks, kolmemõõtmeliseks reaalsuseks.

Andurite ühendamise märgistamise olulisus

Andurite ühendamise märgistamine kombineerib andmeid mitmest erinevast allikast, et luua füüsilisest maailmast rikkalikum esitus. Nende allikate hulka kuuluvad LiDAR, radar ja video.

Füüsilistes tehisintellekti rakendustes, nagu robotid ja isesõitvad sõidukid, tähendab see järgmist:


  • Suurem objektide tuvastamise täpsus kehvades valgustingimustes või ebasoodsate ilmastikutingimuste korral.


  • Parandatud sügavuse ja kiiruse hinnang.


  • Tugevam stseeni mõistmine tänu ristvalideeritud andurisisenditele.


  • Vähem pimenurki ja erandjuhtumite vigu.

Pudelikaelte ületamine

3D-andmete märgistamine nõuab spetsiaalseid tööriistu ja asjatundlikkust:

  • 3D piirdelaatikud ja semantiline segmentimine peavad olema täpselt kooskõlas andurite kalibreerimismaatriksitega.


  • Ajastuse sünkroonimine mitme anduri vahel tagab, et kaadrid esindavad sama hetke.


  • Oklusiooni käsitlemine ja mitme kaadri jälgimine määravad, kas objekt ilmub uuesti nähtavale või liigub vaateväljast välja.


  • Annotatsioonide järjepidevus ja annotaatoritevaheline kokkulepe (IAA) mõjutavad otseselt mudeli toimivust.

Tänu keerukusele võivad ettevõtted silmitsi seista kitsaskohtadega, nagu madal kvaliteet, piiratud võimekus või pikk tarneaeg, kui koolitatakse tajumudeleid. 3D-andmete märgistamisel on oluline kasutada spetsiaalseid tööriistu ja asjatundlikkust.

Toorest andmetest reaalse maailma tajuni

Füüsiline tehisintellekt on vaid nii hea, kui hea on pärismaailmast kogutud ja märgendatud andmestik, mille abil teda õpetatakse nägema ja tegutsema. Ühendades tipptasemel andurite märgendamise tehnoloogia ülemaailmse inimvõrgustiku ning range kvaliteediraamistikuga, aitab Uber AI Solutions ettevõtetel viia füüsilise tehisintellekti katsetamisest tootmisse. Pakume multimodaalseid andmesüsteeme, mis on loodud hõlmama kogu pärismaailma tingimuste spektrit, sealhulgas haruldasi ja ettearvamatuid olukordi.

Loome koos paremat
tehisintellekti


Räägi meile oma projektist. Näitame sulle
andmeid, mis aitavad sul eesmärgini jõuda.
Räägi asjatundjaga

Loome koos paremat
tehisintellekti


Räägi meile oma projektist. Näitame sulle
andmeid, mis aitavad sul eesmärgini jõuda.
Räägi asjatundjaga