பிசிகல் AI என்பது கேமரா, ஒளி கண்டறிதல் மற்றும் வரம்பு (LiDAR), ரேடார் போன்ற சென்சார்கள் மூலம் நிஜ உலக தரவை சேகரிக்கிறது, இதன் மூலம் தானாக இயங்கும் அமைப்புகள் மற்றும் ரோபோட்களுக்கு பயன்படுத்தப்படும் ஏஐ மாதிரிகள் பௌதிக இடத்தை புரிந்துகொண்டு, அவை நிஜ உலக சூழலில் செயல்பட முடியும்.

சென்சார் ஃப்யூஷன் என்பது பல சென்சார்களிலிருந்து தரவை ஒருங்கிணைத்து தகவலின் துல்லியம் மற்றும் நம்பகத்தன்மையை மேம்படுத்தும் செயல்முறையாகும். வெவ்வேறு வகையான சென்சார்களிலிருந்து (உதாரணமாக, LiDAR, ரேடார் மற்றும் கேமராக்கள்) தகவலை ஒருங்கிணைப்பதன் மூலம், ஒரு அமைப்பு சுற்றுப்புற சூழலின் முழுமையான படத்தை உருவாக்க முடியும். சென்சார் ஃப்யூஷன் எந்த ஒரு தனிப்பட்ட சென்சாரில் ஏற்படும் பிழைகள் அல்லது தோல்விகளின் தாக்கத்தையும் குறைக்க முடியும். இந்த தொழில்நுட்பம் தானாக இயங்கும் வாகனங்கள் (AV) மற்றும் ரோபோட்டிக்ஸ் உள்ளிட்ட பல்வேறு பயன்பாடுகளில் பயன்படுத்தப்படுகிறது.

சென்சார் ஃப்யூஷனின் மிகவும் பொதுவான பயன்பாடுகளில் ஒன்று, ஒரு ரோபோடாக்ஸியில் பொருத்தப்பட்டுள்ள பல்வேறு சென்சார்களின் தகவல்களை ஒருங்கிணைப்பதாகும்; இதில் LiDAR-களில் இருந்து கிடைக்கும் 3D பாயிண்ட் கிளவுட்கள் மற்றும் முன், பக்க மற்றும் பின்புற கேமராக்களில் இருந்து கிடைக்கும் 2D படங்கள் ஆகியவை சேர்க்கப்படுகின்றன.

சென்சார்கள் என்பது ஒளி, வெப்பம், ஒலி போன்ற உடல் தூண்டுதல்களை கண்டறிந்து அதற்கு பதிலளிக்கும் சாதனங்கள் ஆகும். வெவ்வேறு சென்சார்கள் தங்கள் செயல்பாடுகளை நிறைவேற்ற பல்வேறு தொழில்நுட்பங்களை பயன்படுத்துகின்றன. உதாரணமாக, LiDAR மற்றும் ரேடார் சென்சார்கள் தங்கள் சுற்றுப்புறங்களை உணர லேசர்கள் மற்றும் வானொலி அலைகளை பயன்படுத்துகின்றன, அதேசமயம் அல்ட்ராசோனிக் சென்சார்கள் ஒலி அலைகளை பயன்படுத்துகின்றன.

LiDAR (லைட் டிடெக்ஷன் அண்ட் ரேஞ்சிங்)

உயர் துல்லியம், நீண்ட வரம்பு மற்றும் விரைவான தரவு சேகரிப்பு. LiDAR என்பது AV மற்றும் ரோபோட்களில் வரைபடம் உருவாக்கவும் தடைகள் தவிர்க்கவும் சிறந்தது.

ரேடார் (வானொலி கண்டறிதலும் அளவிடுதலும்)

ரேடார் சென்சார்கள் பல்வேறு வானிலை நிலைகளிலும் நீண்ட தூரத்திலும் பொருட்களை கண்டறிய முடியும், இதனால் அவை மோதல் தவிர்ப்பு மற்றும் தானாக இயக்கும் வாகனங்கள் போன்ற பயன்பாடுகளுக்கு சிறந்தவை.

SONAR (ஒலி வழிசெலுத்தல் மற்றும் அளவிடல்)

சோனார் சென்சார்கள் ஒலி அலைகளை வெளியிட்டு, அவை ஒரு பொருளைத் தாக்கி திரும்ப வரும் நேரத்தை அளக்கின்றன. ரோபோடிக்ஸ் மற்றும் வாகனத் துறைகளில், அவை பொருளுடன் உள்ள தூரத்தை கணிக்க பயன்படுத்தப்படலாம்.

ஸ்ட்ரக்சர்டு லைட்

ஸ்ட்ரக்சர்டு லைட் சென்சார்கள் ஒரு 3D ஸ்கேனரை பயன்படுத்தி ஒரு பொருளின் 3D பரிமாணங்களை அளக்கின்றன. உயர் தீர்மானம் மற்றும் துல்லியம் அவற்றை 3D ஸ்கேனிங் மற்றும் மேப்பிங் பயன்பாடுகளுக்கு ஏற்றதாக மாற்றுகின்றன.

Time-of-Flight (ToF) சென்சார்

ToF சென்சார்கள் ஆழம் உணரும் தொழில்நுட்பத்துடன் தூரத்தை அளவிட பயன்படுத்தப்படுகின்றன. அவை விரைவாகவும் நம்பகமாகவும் இருப்பதால், கை அசைவுகளை அறிதல், பொருள் கண்காணிப்பு மற்றும் ரோபோட் வழிநடத்தல் பயன்பாடுகளுக்கு சிறந்த தேர்வாகும்.

ஸ்டீரியோ விஷன் சென்சார்

ஸ்டீரியோ விஷன் சென்சார்கள் இரண்டு (அல்லது அதற்கு மேற்பட்ட) சென்சர்களை மனித இரட்டை கண் பார்வையை ஒத்ததாக உருவாக்குகின்றன. உயர் துல்லியமான ஆழம் கண்டறிதல், சிறந்த இடவியல் தீர்மானம் மற்றும் குறைந்த செலவு ஆகியவை இவற்றை தடைகள் தவிர்ப்பு, 3D வரைபடம் மற்றும் ரோபோட் வழிசெலுத்தல் பயன்பாடுகளுக்கு ஏற்றதாக மாற்றுகின்றன.

அல்ட்ராசோனிக் சென்சார்

அல்ட்ராசோனிக் சென்சார்கள் குறைந்த செலவில், பயன்படுத்த எளிதாகவும், பல்வேறு வகையான பொருட்களை கண்டறியவும் முடியும் என்பதால், அவை பார்க்கிங் உதவி மற்றும் பொருள் கண்டறிதல் போன்ற பயன்பாடுகளுக்கு ஏற்றவை.

படி 1: தரவுகளை மேல்படமாக அமைக்கவும்

• முதல் படி அனைத்து சென்சார் காட்சிகளையும் சரிசெய்து சீரமைப்பதாகும், பின்னர் உங்கள் அனைத்து தரவையும் ஒரே காட்சியில் ஒருங்கிணைக்க வேண்டும். இந்த ஒருங்கிணைந்த காட்சி உங்கள் லேபிள் செய்வவருக்கு அதிகமான சூழலை வழங்குகிறது, இதன் மூலம் எந்த புள்ளி மேகக் குழுக்கள் எதை குறிக்கின்றன என்பதை அறிய முடிகிறது.

படி 2: 3D பாயிண்ட் கிளவுட்களை லேபிள் செய்யவும்

• நாம் சில காரணங்களுக்காக, 2D-க்கு மாற்றுவதற்கு முன் 3D-இல் லேபிள் செய்வதை பரிந்துரைக்கிறோம், இது எதிர்பாராததாகத் தோன்றினாலும் கூட. முதலில் 3D-இல் லேபிள் செய்வது பெரும்பாலும் குறிப்பிடத்தக்க அளவில் அதிக செயல்திறனை வழங்குகிறது, உங்கள் முதன்மை விருப்பம் 2D லேபிள்களைப் பெறுவதாக இருந்தாலும் கூட.
• நீங்கள் ஒரு நிலையான பொருளை, உதாரணத்திற்கு ஒரு போக்குவரத்து குறி, கடந்து செல்கிறீர்கள் என்று கற்பனை செய்யுங்கள். பல கேமராக்கள் பொருத்தப்பட்டுள்ளதால், இந்த போக்குவரத்து குறி நீங்கள் கடந்து செல்லும் போது மூன்று கேமராக்களில் தொடர்ந்து காணப்படுகிறது, இது சுமார் 100 ஃபிரேம்கள் வரை நீள்கிறது.
• இந்த சூழலை 2D எல்லை பெட்டிகள் மூலம் குறிக்க, நீங்கள் மொத்தம் 300 நிகழ்வுகளை லேபிள் செய்ய வேண்டியிருக்கும். ஆனால், 3D இடத்தில், இந்த நிலையான, நகராத போக்குவரத்து குறி குறிக்க ஒரே ஒரு க்யூபாய்டு குறிப்பு போதுமானது.
• ஒரு 3D க்யூபாய்டை லேபிள் செய்வது, 2D எல்லை பெட்டியை குறிக்கும்போது விட மூன்று மடங்கு நேரம் எடுத்துக்கொள்ளும் என்றாலும், நேரடியாக படங்களில் லேபிள் செய்வதை விட இது இன்னும் 100 மடங்கு திறமையாக உள்ளது.

படி 3: 2D படங்களாக திட்டமிடவும்

• நீங்கள் உங்கள் 3D பாயிண்ட் கிளவுட்களை லேபிள் செய்த பிறகு, அவற்றை உங்கள் 2D பட தரவுகளுடன் கலிப்ரேட் செய்து சீரமைக்கலாம். Segments.ai தானாகவே பொருள் ஐடிகளை 2D தரவுகளுக்கு நகலெடுக்கும், இதனால் நீங்கள் பவுண்டிங் பாக்ஸ்களை வரைவதில் பல மணி நேரம் சேமிக்க முடியும். உங்கள் தரக் கட்டுப்பாட்டு சோதனையின் போது சிறிய திருத்தங்களை மட்டும் செய்ய வேண்டும்.

தாமதமான ஃப்யூஷன் முறையிலிருந்து ஆரம்ப ஃப்யூஷன் முறைக்கு மாற்றம், இயந்திரக் கற்றல் (ML) மாதிரிகளில் AV மற்றும் ரோபோடிக்ஸ் நிறுவனங்களில் அதிகமாக பரவலாகி வருகிறது.

பிந்தைய இணைப்பு என்பது பயன்படுத்தப்படும் ஒவ்வொரு சென்சருக்கும் தனித்தனி இயந்திரக் கற்றல் மாதிரிகளை பயன்படுத்துவதை குறிக்கிறது, இது தனிப்பட்ட வெளியீடுகளை உருவாக்கும். இந்த வெளியீடுகள் பின்னர் ஒன்றிணைக்கப்பட்டு அல்லது இணைக்கப்பட்டு, காட்சியின் ஒருங்கிணைந்த 3D பிரதிநிதித்துவத்தை உருவாக்குகின்றன. இது பல மாதிரிகளை தனித்தனியாக இயக்கி, அவற்றின் முடிவுகளை பின்னர் ஒன்றிணைப்பதை உள்ளடக்கியது.

முன்னோக்கிய இணைப்பு ஒரு நவீன அணுகுமுறையை பயன்படுத்துகிறது. ஒவ்வொரு சென்சருக்கும் தனித்தனி மாதிரிகளை பயன்படுத்துவதற்குப் பதிலாக, அனைத்து சென்சார் தரவுகளும் ஒரே எம்.எல். மாதிரிக்குள் வழங்கப்படுகின்றன. இந்த ஒருங்கிணைந்த மாதிரி நேரடியாக 3D இடத்தில் கணிப்புகளை செய்ய வடிவமைக்கப்பட்டுள்ளது.

முன்கூட்டிய இணைப்பு (early fusion) பயனுள்ளதாக இருக்க, வாக்சல் கிரிட்கள் (voxel grids) காட்சியின் ஒரு சிறந்த பிரதிநிதித்துவமாக அமைகின்றன. வாக்சல் கிரிட்கள் ஒழுங்கான அமைப்பைக் கொண்டுள்ளதால், இந்த அணுகுமுறைக்கு மிகவும் பொருத்தமானவை. அவற்றை டென்சர்களாக (tensors) கருதலாம், இதனால் முடிவில் முடிவுக்கு (end-to-end) கணிப்பைச் செய்ய முடிகிறது. உள்ளீட்டிலிருந்து வெளியீட்டிற்கு செல்லும் முழு செயல்முறையும் ஒரே மாதிரியில் கணிக்க முடியும்.