파일럿 단계의 물리적 AI를 실제 운영으로 전환하세요
실제 환경의 압박 속에서도 성능을 발휘하는 물리적 AI를 구축하세요.
현실 세계의 복잡성을 확신 있는 피지컬 AI로 전환하세요
물리적 AI가 실험실에서는 기대를 뛰어넘는 성과를 보이지만, 실제 환경에서 훈련 분포를 벗어난 상황이 발생하면 제대로 작동하지 않습니다. 모델의 실제 운영 성능을 향상시키기 위해, 우리는 드물고 예측 불가능한 상황을 포함한 실제 환경의 모든 조건을 포착할 수 있도록 설계된 멀티모달 데이터 시스템을 제공합니다.
심도 있는 센서 전문 지식을 활용하세요
LiDAR, 레이더, 지도, 대시캠, 360° 이미지 등을 활용하여 다양한 엣지 환경에서 데이터를 수집하고 보정하세요.
다중 센서 융합으로 구축하세요
3D 포인트 클라우드를 사용하여 물리적 세계의 정확한 공간적 및 시간적 표현을 기반으로 모델을 구축하세요.
실제 동작에 대한 모델을 학습하세요
단일 프레임을 넘어서 실제 환경에서의 움직임을 이해하기 위해 물리, 동작, 다양한 상황까지 포착하세요.
다중 센서 라벨링을 간소화하세요
센서 유형 전반에 걸쳐 주석 작업을 간소화하고, 추가적인 운영 부담 없이 프로덕션 수준의 데이터 파이프라인을 구축하세요.
다중 센서 라벨링으로 일관되고 정확한 데이터를 확보하세요
Uber의 Segments.ai를 사용하여 2D 이미지 데이터와 3D 포인트 클라우드 데이터를 하나의 화면에서 손쉽게 라벨링할 수 있습니다.
이미지 라벨링
머신러닝 기반 도구를 사용하여 픽셀 단위까지 정확한 주석을 생성하세요.
3D 포인트 클라우드 주석
ML 지원 기능으로 3D 포인트 클라우드 라벨링을 가속화하세요.
다중 센서 데이터 융합
2D 이미지를 3D 포인트 클라우드와 오버레이하여 라벨링 속도를 높이세요.
14일 무료 체험을 시작하세요
자주 묻는 질문
물리적 AI란 무엇인가요?
피지컬 AI는 카메라, LiDAR(빛 감지 및 거리 측정), 레이더 등의 센서를 사용하여 현실의 실제 데이터를 수집함으로써 자율주행 시스템 및 로봇에 배포된 AI 모델이 물리적 공간을 이해하고 현실 환경에서 작동할 수 있도록 합니다.
센서 융합이란 무엇인가요?
센서 융합은 여러 센서로부터 수집된 데이터를 결합하여 정보의 정확성과 신뢰성을 높이는 과정입니다. 서로 다른 종류의 센서(예: LiDAR, 레이더, 카메라)에서 얻은 정보를 결합함으로써 시스템은 주변 환경에 대한 더 완전한 그림을 만들 수 있습니다. 센서 융합은 개별 센서의 오류나 고장으로 인한 영향을 줄일 수도 있습니다. 이 기술은 자율주행차(AV)와 로보틱스를 비롯한 다양한 분야에 활용되고 있습니다.
센서 융합의 가장 일반적인 활용 사례 중 하나는 로보택시에 장착된 다양한 센서, 즉 LiDAR에서 얻은 3D 포인트 클라우드와 전방, 측면, 후방 카메라에서 촬영한 2D 이미지를 결합하는 것입니다.
3D 센서에는 어떤 종류가 있나요?
센서는 빛, 열, 소리와 같은 물리적 자극을 감지하고 이에 반응하는 장치입니다. 센서마다 기능을 수행하는 데 사용하는 기술이 다릅니다. 예를 들어, LiDAR 및 레이더 센서는 레이저와 전파를 사용하여 주변 환경을 감지하는 반면, 초음파 센서는 음파를 사용합니다.
자동차, 자율주행차(AV), 로보틱스 분야에서 어떤 종류의 3D 센서가 사용되나요?
LiDAR (광 탐지 및 거리 측정)
높은 정확도, 장거리, 빠른 데이터 수집. LiDAR는 자율주행차와 로봇의 지도 작성 및 장애물 회피에 이상적입니다.
RADAR (무선 탐지 및 거리 측정)
레이더 센서는 다양한 기상 조건에서도 물체를 감지할 수 있고, 먼 거리에서도 탐지가 가능하여 충돌 방지 및 자율 주행과 같은 응용 분야에 이상적입니다.
SONAR (음향 탐지 및 거리 측정)
소나 센서는 음파를 방출하고, 그 음파가 물체에 부딪혀 반사되어 돌아오는 데 걸리는 시간을 측정합니다. 로봇 공학과 자동차 분야에서는 물체까지의 거리를 측정하는 데 사용할 수 있습니다.
구조화된 광원
구조광 센서는 3D 스캐너를 사용하여 물체의 3차원 치수를 측정합니다. 높은 해상도와 정확도로 인해 3D 스캔 및 매핑 응용 분야에 적합합니다.
Time-of-Flight (ToF) 센서
ToF 센서는 깊이 감지 기술을 활용해 거리를 측정하는 데 사용됩니다. 빠르고 신뢰성이 높아 제스처 인식, 객체 추적, 로봇 내비게이션과 같은 응용 분야에 적합한 선택입니다.
스테레오 비전 센서
스테레오 비전 센서는 두 개(또는 그 이상)의 센서를 사용하여 인간의 양안 시각을 모방합니다. 높은 정밀도의 깊이 감지, 우수한 공간 해상도, 저렴한 비용 덕분에 장애물 회피, 3D 매핑, 로봇 내비게이션과 같은 응용 분야에 적합합니다.
초음파 센서
초음파 센서는 저렴하고 사용이 간편하며 다양한 재질을 감지할 수 있어 주차 보조 및 물체 감지와 같은 응용 분야에 적합합니다.
다중 센서 데이터에 라벨을 지정할 때의 모범 사례는 무엇인가요?
1단계: 데이터 오버레이
- 첫 단계는 모든 센서의 보기 데이터를 보정하고 정렬한 다음 모든 데이터를 단일 뷰에 오버레이하는 것입니다. 이렇게 통합된 보기는 라벨링 작업자에게 더 많은 맥락 정보를 제공하여 포인트 클라우드 그룹이 무엇을 나타내는지 파악할 수 있도록 합니다.
2단계: 3D 포인트 클라우드에 라벨 지정
- 3D에서 라벨링을 수행한 다음 2D로 투영하는 것을 추천합니다. 일견 직관적이지 않다고 느껴질 수 있는 방식이지만, 여기에는 몇 가지 이유가 있습니다. 2D 라벨을 획득하는 것이 여러분의 주된 목표일 경우에도, 3D로 라벨링을 먼저 수행하는 것이 훨씬 더 효율적인 경우가 많습니다.
- 교통 표지판과 같은 고정된 물체를 운전하여 지나가는 상황을 상상해 보세요. 여러분이 지나가는 동안 이 표지판은 차량에 장착된 여러 대의 카메라 중 3대의 카메라에 약 100프레임에 걸쳐 계속해서 나타납니다.
- 2D 경계 상자를 사용하여 이 시나리오에 주석을 달려면 총 300개의 인스턴스에 라벨을 지정해야 합니다. 그러나 3D 공간에서라면 움직이지 않는 정적인 개체인 이 교통 표지판에 단 하나의 큐보이드 주석만 지정하면 됩니다.
- 3D 큐보이드 라벨링은 2D 경계 상자에 주석을 달 때보다 3배의 시간이 소요되지만, 이미지에 직접 라벨링하는 것에 비해 여전히 100배나 더 효율적인 작업이 되는 것입니다.
3단계: 2D 이미지로 투영
- 3D 포인트 클라우드에 라벨링을 마치면 이를 보정하여 2D 이미지 데이터에 정렬할 수 있습니다. Segments.ai는 객체 ID를 2D 데이터로 자동으로 복사하므로 경계 상자를 그리는 데 드는 시간을 절약할 수 있습니다. 품질 관리 검사 중에 사소한 조정 몇 가지만 하면 됩니다.
얼리 퓨전과 레이트 퓨전의 차이점은 무엇인가요?
AV 및 로보틱스 기업들이 머신러닝(ML) 모델에서 후반 결합 방식에서 초반 결합 방식으로 전환하는 추세가 점점 더 두드러지고 있습니다.
Late fusion은 각 센서마다 별도의 ML 모델을 사용하여 개별 출력을 생성하는 방식을 의미합니다. 이렇게 생성된 출력들은 이후에 결합 또는 융합되어 장면의 일관된 3D 표현을 만듭니다. 이는 여러 모델을 독립적으로 실행한 후 그 결과를 결합하는 과정을 포함합니다.
Early fusion은 보다 현대적인 접근 방식을 취합니다. 각 센서마다 별도의 모델을 사용하는 대신, 모든 센서 데이터를 하나의 ML 모델에 입력합니다. 이 통합된 모델은 3D 공간 내에서 직접적으로 예측을 수행하도록 설계 되었습니다.
초기 융합이 효과적이기 위해서는 복셀 그리드가 장면을 표현하는 데 유리한 방식임이 입증되었습니다. 복셀 그리드는 규칙적인 구조를 가지고 있어 이 접근 방식에 적합합니다. 복셀 그리드는 텐서로 개념화할 수 있어, 엔드 투 엔드 예측이 가능합니다. 입력부터 출력까지의 전체 과정을 하나의 모델로 예측할 수 있습니다.