Glydways ने Uber AI Solutions के साथ अपना पहला पैदल यात्री पहचान मॉडल तैयार किया
जानें कि Glydways, एक स्वचालित वाहन कंपनी, ने एक स्केलेबल लाइट डिटेक्शन और रेंजिंग (LiDAR) डेटा पाइपलाइन कैसे स्थापित की ताकि एक महत्वपूर्ण परसेप्शन क्षमता विकसित की जा सके।
2 सितंबर, 2026 | संयुक्त राज्य अमेरिका
कार्यकारी सारांश
जब स्वायत्त गतिशीलता कंपनी Glydways को अपना पहला पैदल यात्री पहचान मॉडल बनाना था, तो उसने Uber AI Solutions के साथ साझेदारी की ताकि एक स्केलेबल LiDAR डेटा पाइपलाइन स्थापित की जा सके, जिससे कंपनी एक महत्वपूर्ण परसेप्शन क्षमता विकसित कर सके और इसे एक तिमाही से भी कम समय में लागू कर सके।
मुख्य परिणाम
99%
दो महीनों के भीतर एनोटेशन सटीकता हासिल की गई
20,000+
LiDAR फ्रेम्स लेबल किए गए
अनुमानित 40% बचत की
लेबलिंग में अनुमानित लागत बचत
डिप्लॉयमेंट के लिए विश्वसनीय पैदल यात्री पहचान आवश्यक है
Glydways शहरी गतिशीलता की एक नई श्रेणी तैयार करता है, जिसे Flow Networks कहा जाता है। यह विशेष रूप से बनाए गए स्वायत्त वाहनों, रीयल-टाइम ऑर्केस्ट्रेशन और समर्पित गाइडवे को ऐसे नेटवर्क में एकीकृत करता है, जो यात्रियों को बिना रुके, ऑन-डिमांड, व्यक्तिगत सवारी ट्रांजिट किराए पर उपलब्ध कराते हैं।
“
हम अपने पूरे सिस्टम में पैदल यात्रियों का विश्वसनीय रूप से पता लगाए बिना अपने सिस्टम को लागू नहीं कर सकते।
”
फर्शीद मौसवी
हेड ऑफ परसेप्शन, Glydways
सीमित शुरुआती चरण के प्रशिक्षण डेटा के साथ, हर एनो टेशन महत्वपूर्ण था। Glydways को केवल लेबलिंग क्षमता से अधिक की आवश्यकता थी। उसे एक ऐसा संचालन प्रक्रिया चाहिए थी, जो उसके परसेप्शन मॉडल के विकसित होने के साथ-साथ लगातार उच्च गुणवत्ता वाला प्रशिक्षण डेटा तैयार कर सके।
जैसा कि मौसावी ने समझाया, "LiDAR पॉइंट क्लाउड्स की 3D लेबलिंग जटिल है, खासकर जब दूरी अधिक हो और लक्ष्य पर कम पॉइंट्स हों।"
एनोटेशन मानकों, गुणवत्ता जांच वर्कफ़्लो, और सहयोगी समीक्षाएँ विकसित करना
उस क्षमता को शुरू से विकसित करने के बजाय, Glydways ने Uber AI Solutions के साथ साझेदारी की ताकि एक स्केलेबल डेटा ऑपरेशन तैयार किया जा सके।
“
Uber AI Solutions की गुणवत्ता, त्वरित प्रतिक्रिया, क्षमताएँ, आंतरिक टूलिंग और बड़े स्तर पर 3D लेबलिंग का पूर्व अनुभव सभी बहुत प्रभावशाली थे।
”
फर्शीद मौसवी
हेड ऑफ परसेप्शन, Glydways
एक साथ मिलकर, टीमों ने एनोटेशन मानक, गुणवत्ता आश्वासन वर्कफ़्लो और एक सहयोगी समीक्षा प्रक्रिया विकसित की, जिससे लेबलिंग की गुणवत्ता लगातार बेहतर होती गई और दक्षता में भी सुधार हुआ। वर्कफ़्लो प्रयोगों ने गति और सटीकता के बीच सबसे अच्छा संतुलन खोजने में मदद की, जबकि डेटा संग्रहण और एनोटेशन रणनीति से जुड़ी सिफारिशों ने पूरे प्रशिक्षण डेटा सेट को और मजबूत किया।