שינוי הבנת סצנת הרכבות בעזרת LiDAR וביאור דו-ממדי
גלו כיצד שירותי LiDAR, מצלמה ושירותי ביאור נתונים דו-ממדיים של Shaip עוזרים למודלים של בינה מלאכותית לזהות אובייקטים, להבין סביבות רכבת ולשפר את תפיסת הניידות האוטונומית.
סקירת הפרויקט
מערכות תפיסה מודרניות של רכבות דורשות יותר מתווית אובייקטים כללית. הן דורשות הקשר ספציפי למסילה, גיאומטריה מדויקת ועקביות אמינה בין חיישנים על פני ענני נקודות LiDAR ותצוגות מצלמה מסונכרנות.
כדי לענות על צורך זה, שייפ נשכר לפרויקט ביאור נתוני רכבת LiDAR המכסה סצנות תשתית רכבות. היקף הפרויקט כלל ביאור של ענני נקודות LiDAR הנתמכים על ידי חמש תמונות ייחוס דו-ממדיות מסונכרנות לכל סצנה, תוך שימוש בטקסונומיה בת 29 מחלקות עם אפשרויות חובה ואפשרויות אופציונליות.
תכונות עבור כל מחלקה.
המטרה הייתה ליצור מערך נתונים מובנה ומבוקר איכות, המסוגל לאמן ולאמת מודלים של תפיסת רכבות לצורך זיהוי אובייקטים, הבנת סצנות, מודעות למסילה ופרשנות תשתית.
סטטיסטיקות מפתח
הגדרת חיישן
ענן נקודות LiDAR
טקסונומיה
29 שיעורים ספציפיים למסילות רכבת
יעדי איכות
דיוק ביאור כולל של ≥99%
עקביות בין-חיישנים
≥99% LiDAR – יישור דו-ממדי
אתגרים
- ביאור עקבי של סצנות רכבת רב-מודאליות בתמונות LiDAR ו-2D
- ניהול טקסונומיה ספציפית למסילה של 29 מחלקות עם תכונות מפורטות וקשרי אובייקטים
- שמירה על עקביות בין-חיישנית בין הערות תלת-ממדיות לדו-ממדיות
- שמירה על דיוק גיאומטרי עבור מבנים ליניאריים כגון מסילות וכבלים
- עמידה בספי דיוק מחמירים עבור תוויות מחלקה, גיאומטריה ומאפיינים בסביבת פיילוט
פתרון
שייפ עיצב תהליך עבודה של ביאור המתמקד ברכבות, המותאם לדרישות הטכניות של הפרויקט.
אסטרטגיית נתונים
הגדרת צינור אנוטציות רב-מודאלי המכסה נתוני ענן נקודות LiDAR וחמש תמונות ייחוס דו-ממדיות מסונכרנות לכל מסגרת LiDAR.
מסגרת ביאור
יישומית של שיטות ביאור מרובות המבוססות על סוג אובייקט ומבנה סצנה:
- ביאור קובודי תלת-ממדי עבור אובייקטים נפחיים בדידים
- ביאור פוליליין תלת-ממדי עבור מבנים הקשורים למסילה ליניארית
- תיבת גבול דו-ממדית למיקום אובייקטים בתמונות
- מצולע דו-ממדי עבור גבולות אובייקטים לא סדירים
- פולי-ליין דו-ממדי למסילות, כבלים וסימונים
- קובואיד תלת-ממדי בתצוגות דו-ממדיות שבהן נדרשו הקשר של אוריינטציה ועומק
עיצוב טקסונומיה ספציפי למסילה
29 מחלקות מוגדרות מראש עם הערות, הכוללות אנשים, חפצים אישיים, כלי רכב, רכבות, קרונות, בעלי חיים, מסילות, מתגים, עמודי קווי חשמל, עמודי איתות, אותות, גשרי איתות, עצירות חיץ, אובייקטי בדיקה מחזירי אור וישויות אחרות בזירת הרכבת.
ביאור עשיר בתכונות
לכדו מאפיינים חובה ואופציונליים כאחד, כולל:
- רמות חסימה
- מצב וסוג
- קישוריות דרך connectedTo
- מזהי צד מסילה ומסילות
- סדר וכיוון אובייקטים
- תכונות פנים, היבט ומבנה של האות
זהות ויושרה במערכת היחסים
וידוא שלכל ביאור יש מזהה ביאור ייחודי ולכל אובייקט יש מזהה אובייקט ייחודי בפורמט UUID, עם קשרי connectedTo דו כיווניים באופן מודע לחיישנים.
כללי דיוק ואבטחת איכות
יישמו כללי ביאור, כולל:
- הערכת חסימה על פני 2D ותלת-ממד
- סף תיוג דו-ממדי של אובייקטים בגובה או רוחב של 25 פיקסלים ומעלה
- סבילות דו-ממדית של ±3 פיקסלים
- סבילות תלת-ממדית של עד 10 ס"מ
- יישור סיבוב על ציר ה-z לקבלת עקביות מול האובייקט
- QA בעל 3 שכבות עם לולאות תיקון עבור יציאות מתחת לסף
היקף הפרויקט
| רכיב מערך נתונים | מִפרָט |
|---|---|
| שיטת למידה ראשונית | נתוני ענן נקודות LiDAR |
| אופן התייחסות | 5 תמונות דו-ממדיות מסונכרנות לכל מסגרת LiDAR: 3 תמונות IR ו-5 תמונות RGB |
| סך כל השיעורים | 29 מחלקות ספציפיות למסילות רכבת |
| סוגי ביאור דו-ממדיים | קובואיד תלת-ממדי, פוליליין תלת-ממדי |
| סוגי ביאור דו-ממדיים | תיבה תוחמת דו-ממדית, מצולע דו-ממדי, קו פולי דו-ממדי, קובייה תלת-ממדית בתצוגות דו-ממדיות |
| נפח פיילוט | 2 רצפים |
| תקן זיהוי | מזהה ביאור ומזהה אובייקט מבוססי UUID |
| יעדי דיוק | ≥99% בסך הכל, ≥99% מאפיין, ≥99% עקביות בין חיישנים |
דוגמה לכיסוי כיתתי
| קטגוריה | שיעורים לדוגמה | סוג הערה |
|---|---|---|
| בני אדם וניידות | אדם, כיסא גלגלים, קטנוע, אופניים, קהל | BB דו-ממדי / מצולע 4 נקודות / BB תלת-ממדי |
| נכסי רכבת | רכבת, חזית_רכבת, קרונות, מסילה, מתג, נעל_גרירה | מצולע מתאר / פולין / BB תלת-ממדי |
| איתות ותקרה | אות, עמוד איתות, גשר איתות, עמוד קווי חשמל | BB דו-ממדי / מצולע מתאר / BB תלת-ממדי |
| סביבה ושונות | רכב_כביש, בעל חיים, קבוצת_בעלי_חיים, חפצי_בדיקה_מחזירי_אור, עשן, להבה | משתנה לפי כיתה |
תוצאות
- הקמת מסגרת ביאור רב-מודאלית ספציפית למסילות ברזל עבור נתוני LiDAR ותמונה
- הגדרת טקסונומיה של רכבות בת 29 מחלקות עם טיפול מפורט במאפיינים
- קבעו מדדי איכות של ≥99% בכל הנוגע לדיוק הערות, מאפיינים ועקביות בין חיישנים
- יצר בסיס מוכן לפיילוט לבניית מודלים של תפיסת רכבות אמינים במיוחד
מבחינה אסטרטגית, פרויקט זה מציב את מערכות הבינה המלאכותית של רכבות הלקוח עם הבנה חזקה יותר של סצנות בסביבות רכבת, שבהן גיאומטריה, המשכיות אובייקטים והקשר תשתיות הם קריטיים.
גישת הביאור הרב-מודאלית של שייפ עזרה לנו לבנות מערך נתונים של רכבות מיוחד ביותר בדיוק הדרוש לפיתוח מודל תפיסה. ההתמקדות שלהם בעומק הטקסונומיה, דיוק גיאומטרי ועקביות בין-חיישנים יצרה בסיס איתן לצינור הבינה המלאכותית של הרכבות שלנו.
