ഓട്ടോണമസ് ഡ്രൈവിംഗിനുള്ള 3D LiDAR ബൗണ്ടിംഗ് ബോക്സ് അനോട്ടേഷൻ
സിംഗിൾ-ഫ്രെയിം പോയിന്റ് ക്ലൗഡ് ഡാറ്റയിൽ ഒരു ഫ്രെയിമിന് ~53 ബോക്സുകൾ എന്ന നിരക്കിൽ 14 ഒബ്ജക്റ്റ് ക്ലാസുകളിൽ ഷായിപ്പ് കൃത്യമായ 3D ക്യൂബോയിഡ് ബൗണ്ടിംഗ് ബോക്സ് അനോട്ടേഷൻ എങ്ങനെയാണ് നൽകിയത് - പ്രൊഡക്ഷൻ സ്കെയിലിൽ ഓട്ടോണമസ് വെഹിക്കിൾ പെർസെപ്ഷനു വേണ്ടി 2D ഇമേജറിയുമായി കാലിബ്രേറ്റ് ചെയ്തു.
പ്രോജക്റ്റ് അവലോകനം
ഓട്ടോണമസ് ഡ്രൈവിംഗ് പെർസെപ്ഷൻ പ്രൊഡക്ഷൻ വിന്യാസത്തിലേക്ക് നീങ്ങുമ്പോൾ, യഥാർത്ഥ AV പരിശീലന ഡാറ്റയ്ക്ക് ആവശ്യമായ സാന്ദ്രതയിൽ കൃത്യമായ ക്യൂബോയിഡ് ബൗണ്ടിംഗ് ബോക്സുകൾ സ്ഥാപിക്കാൻ കഴിവുള്ള ഒരു ഉയർന്ന സ്പെഷ്യലൈസ്ഡ് 3D LiDAR അനോട്ടേഷൻ പൈപ്പ്ലൈൻ ക്ലയന്റിന് ആവശ്യമായി വന്നു - മൾട്ടി-ആട്രിബ്യൂട്ട് ലേബലിംഗും 2D-ഇമേജ് കാലിബ്രേഷനും ഉപയോഗിച്ച്.
3D ക്യൂബോയിഡ് പ്ലേസ്മെന്റ്, ഡിഫോൾട്ട് സൈസ് എൻഫോഴ്സ്മെന്റ്, മൾട്ടി-ആട്രിബ്യൂട്ട് ലേബലിംഗ്, എൻവയോൺമെന്റൽ എഡ്ജ്-കേസ് ഹാൻഡ്ലിംഗ്, റഫറൻസ്-ഇമേജ് വാലിഡേഷൻ എന്നിവ ഉൾക്കൊള്ളുന്ന എൻഡ്-ടു-എൻഡ് അനോട്ടേഷൻ പൈപ്പ്ലൈൻ ഷൈപ്പ് നിർമ്മിച്ചു - 14 ഒബ്ജക്റ്റ് ക്ലാസുകളിലുടനീളം മോഡൽ-റെഡി എവി പെർസെപ്ഷൻ ഡാറ്റാസെറ്റുകൾ നൽകുന്നു.
കീ സ്റ്റാറ്റസ്
ഒബ്ജക്റ്റ് ക്ലാസുകൾ
14
ഫ്രെയിമിലെ ബോക്സുകൾ
~ 53
ആട്രിബ്യൂട്ട് ലെയറുകൾ
5
ഒക്ലൂഷൻ ലെവലുകൾ
4
വെല്ലുവിളികൾ
- സ്ഥാപിക്കുന്നതിലൂടെ ഒരു ഫ്രെയിമിന് ~53 3D ക്യൂബോയിഡ് ബോക്സുകൾ മേഘങ്ങളുടെ അരികുകളിലേക്ക് കൃത്യമായി ഇറുകിയ ഫിറ്റിംഗ് ഉപയോഗിച്ച്
- കൈകാര്യം 14 ഒബ്ജക്റ്റ് ക്ലാസുകൾ വാഹനങ്ങൾ, കാൽനടയാത്രക്കാർ, മൃഗങ്ങൾ, ചലിക്കുന്ന വസ്തുക്കൾ എന്നിവയിലൂടെ
- ജോലി ഒരേസമയം 2D കാലിബ്രേഷൻ ഇമേജറിയും 3D പോയിന്റ് ക്ലൗഡും ഡാറ്റ
- മാനേജിങ് പ്രേതബിന്ദു മേഘങ്ങൾ, ഭൂമിയുടെ പ്രതിഫലനങ്ങൾ, മൂടൽമഞ്ഞ്, മൂടൽമഞ്ഞ്, വെള്ളം തെറിക്കുന്നത്
- നടപ്പിലാക്കുന്നു ക്ലാസ് അനുസരിച്ച് സ്ഥിര വലുപ്പ അളവുകൾ ക്രോസ്-ഫ്രെയിം സ്ഥിരതയ്ക്കായി
പരിഹാരം
3D ക്യൂബോയിഡ് പ്ലേസ്മെന്റ് വർക്ക്ഫ്ലോ
2D കാലിബ്രേഷൻ ഇമേജ് റഫറൻസിനൊപ്പം, അനോട്ടേറ്റർമാർ സിംഗിൾ-ഫ്രെയിം പോയിന്റ് ക്ലൗഡ് ഡാറ്റയിൽ കൃത്യമായ 3D ക്യൂബോയിഡ് ബൗണ്ടിംഗ് ബോക്സുകൾ സ്ഥാപിച്ചു. ഫ്രെയിമുകളിലുടനീളം വലുപ്പ സ്ഥിരത ഉറപ്പാക്കാൻ ഓരോ ക്ലാസിനും നിർവചിക്കപ്പെട്ട ഡിഫോൾട്ട് ബൗണ്ടിംഗ് ബോക്സ് അളവുകൾ ഉണ്ടായിരുന്നു - കാറുകൾ 3.4–5.1 മീറ്റർ, ട്രക്കുകൾ 3.4–14 മീറ്റർ, കാൽനടയാത്രക്കാർ 0.4–1.2 മീറ്റർ വീതി.
മൾട്ടി-ആട്രിബ്യൂട്ട് ലേബലിംഗ്
ബൗണ്ടിംഗ് ബോക്സ് പ്ലെയ്സ്മെന്റിനപ്പുറം, ഓരോ വ്യാഖ്യാനിച്ച ഒബ്ജക്റ്റിനും വാഹനത്തിന്റെ അവസ്ഥ (ഡ്രൈവിംഗ്/പാർക്ക് ചെയ്തിരിക്കുന്നു), ഇരുചക്ര വാഹനത്തിന്റെ അവസ്ഥ (റൈഡറുള്ള/ഇല്ലാത്ത), കാൽനടയാത്രക്കാരുടെ അവസ്ഥ (നിൽക്കുന്ന/ഇരിക്കുന്ന/കിടക്കുന്ന അവസ്ഥ), ഒക്ലൂഷൻ അവസ്ഥ (4 ലെവലുകൾ: ഒന്നുമില്ല, ഭാഗികം, ഏറ്റവും കൂടുതൽ, പൂർണ്ണം), അറ്റങ്ങളുടെ അവസ്ഥ (നീണ്ടുനിൽക്കുന്ന വസ്തുക്കൾ, തുറന്ന വാതിലുകൾ, ഘടിപ്പിച്ചിരിക്കുന്ന ഉപകരണങ്ങൾ) എന്നിവ ഉൾക്കൊള്ളുന്ന ആട്രിബ്യൂട്ട് ലേബലുകൾ ലഭിച്ചു.
പരിസ്ഥിതി എഡ്ജ്-കേസ് കൈകാര്യം ചെയ്യൽ
കനത്തിൽ അടഞ്ഞതോ അകലെയുള്ളതോ ആയ വസ്തുക്കളുടെ വ്യാഖ്യാനം, ഇരട്ട LiDAR തെറ്റായ കാലിബ്രേഷൻ മൂലമുണ്ടാകുന്ന ഗോസ്റ്റ് പോയിന്റ് മേഘങ്ങൾ, നിലത്തെ പ്രതിഫലനങ്ങൾ, വെള്ളം തെറിക്കുന്നത്, മൂടൽമഞ്ഞ്, മൂടൽമഞ്ഞ് എന്നിവയിൽ നിന്നുള്ള പാരിസ്ഥിതിക ശബ്ദം എന്നിവ കർശനമായ നിയമങ്ങൾ നിയന്ത്രിക്കുന്നു. സൈഡ് മിററുകൾ, തുറന്ന വാതിലുകൾ, ക്രെയിൻ ആം, റൂഫ് റാക്കുകൾ, കാൽനടക്കാരുടെ ലഗേജ് എന്നിവ വ്യക്തമായി ഒഴിവാക്കി; അടിയന്തര സൈറണുകൾ, ട്രക്ക് ബെഡ് കണ്ടെയ്നറുകൾ എന്നിവ ഉൾപ്പെടുത്തിയിട്ടുണ്ട്.
ടൈറ്റ് ബോക്സ് ഫിറ്റ് വാലിഡേഷൻ
കുറഞ്ഞ ദൃശ്യ വിടവുകളുള്ള, മേഘങ്ങളുടെ മുനയുള്ള അരികുകളിൽ പെട്ടികൾ കർശനമായി ഘടിപ്പിക്കേണ്ടതുണ്ട്. പോയിന്റ് മേഘങ്ങൾ അവ്യക്തമായിരുന്ന കാലിബ്രേഷൻ ഡാറ്റയും ലെയ്ൻ സന്ദർഭവും ഉപയോഗിച്ച് ഓറിയന്റേഷൻ പരിശോധിച്ചു. രാത്രിയും മഴയും നിറഞ്ഞ ദൃശ്യങ്ങൾ വ്യാഖ്യാന സ്ഥിരതയ്ക്കായി പകൽ സമയ സാഹചര്യങ്ങൾക്ക് തുല്യമായി കണക്കാക്കി.
ക്രോസ്-മോഡൽ ക്യുഎ
ശരിയായ വലുപ്പവും ഓറിയന്റേഷനും പരിശോധിക്കുന്നതിനായി എല്ലാ അനോട്ടേഷനുകളും റഫറൻസ് 2D ഇമേജുകൾ ഉപയോഗിച്ച് സാധൂകരിച്ചു. പോയിന്റ് ക്ലൗഡിൽ നിന്ന് മാത്രം ദൃശ്യമാകാൻ സാധ്യതയില്ലാത്ത തെറ്റായ ക്രമീകരണങ്ങൾ ഈ ക്രോസ്-മോഡൽ QA ലെയർ കണ്ടെത്തി, ഇത് ഡൗൺസ്ട്രീം AV പെർസെപ്ഷൻ മോഡൽ പരിശീലനത്തിനായി പ്രൊഡക്ഷൻ-ഗ്രേഡ് കൃത്യത ഉറപ്പാക്കുന്നു.
പദ്ധതി വ്യാപ്തി
| ഡാറ്റാസെറ്റ് തരം | ക്ലാസുകൾ | ബോക്സുകൾ/ഫ്രെയിം | ഗുണവിശേഷങ്ങൾ | ഒക്ലൂഷൻ ലെവലുകൾ | മൂല്യനിർണ്ണയം |
|---|---|---|---|---|---|
| 3D ലിഡാർ എവി പെർസെപ്ഷൻ | 14 | ~53 ശരാശരി | 5 ആട്രിബ്യൂട്ട് ലെയറുകൾ | 4 (0–100%) | 2D ഇമേജ് ക്രോസ്-ചെക്ക് |
ഫലങ്ങൾ
- സ്ഥാപിച്ചത് ഡെൻസ് 3D LiDAR അനോട്ടേഷൻ പൈപ്പ്ലൈൻ പ്രൊഡക്ഷൻ കൃത്യതയിൽ ഒരു ഫ്രെയിമിന് ~53 ബോക്സുകൾ
- സ്റ്റാൻഡേർഡ് 14-ക്ലാസ് ഒബ്ജക്റ്റ് ഓൺടോളജി ഓരോ ക്ലാസിലും ഡിഫോൾട്ട് വലുപ്പ നിർവ്വഹണത്തോടെ
- കൈമാറി 5 ആട്രിബ്യൂട്ട് ലെയറുകൾ 4-ലെവൽ ഒക്ലൂഷൻ വർഗ്ഗീകരണം ഉൾപ്പെടെ
- നടപ്പിലാക്കി ക്രോസ്-മോഡൽ ക്യുഎ 2D കാലിബ്രേഷൻ ഇമേജറിക്കെതിരെ 3D ബോക്സുകൾ സാധൂകരിക്കുന്നു
- ക്ലയന്റിന്റെ ഓട്ടോണമസ് വെഹിക്കിൾ പെർസെപ്ഷൻ, ADAS, സെൽഫ് ഡ്രൈവിംഗ് മാതൃകാ പരിശീലനം
മൊത്തത്തിൽ, സങ്കീർണ്ണമായ 3D LiDAR പെർസെപ്ഷൻ ആവശ്യകതയെ ഘടനാപരമായ, പ്രൊഡക്ഷൻ-റെഡി അനോട്ടേഷൻ പൈപ്പ്ലൈനാക്കി മാറ്റാൻ Shaip സഹായിച്ചു - വെല്ലുവിളി നിറഞ്ഞ യഥാർത്ഥ ലോക സാഹചര്യങ്ങളിൽ കാലിബ്രേഷൻ-ഗ്രേഡ് കൃത്യതയോടെ ഓട്ടോണമസ് ഡ്രൈവിംഗ്, ADAS, റോബോടാക്സി, സെൽഫ്-ഡ്രൈവിംഗ് ട്രക്ക് വികസനം എന്നിവയെ പിന്തുണയ്ക്കാൻ കഴിവുള്ള ഒന്ന്.
മിക്ക അനോട്ടേഷൻ പൈപ്പ്ലൈനുകളെയും തകർക്കുന്ന AV എഡ്ജ് കേസുകൾ - മൂടൽമഞ്ഞ്, ഗോസ്റ്റ് പോയിന്റ് മേഘങ്ങൾ, ഇടതൂർന്ന ഒക്ലൂഷൻ, ഒരു ഫ്രെയിമിന് ഏകദേശം 53 ബോക്സുകൾ - ഷായ്പ് കൈകാര്യം ചെയ്തു. അവരുടെ 2D-3D ക്രോസ്-വാലിഡേഷൻ ഞങ്ങൾക്ക് വിശ്വസനീയമായ പെർസെപ്ഷൻ പരിശീലന ഡാറ്റ നൽകി.
