Lo que una vez fue un problema resuelto de dibujar cajas 2D se ha convertido en una batalla compleja contra las nubes de puntos escasos, la visualización aguda y las clasificaciones ambiguas. Un proceso “simple” a menudo incluye numerosos desafíos y barreras ocultas. ¿Cómo se pueden resolver, y cuál es la solución óptima para ellos? Tratemos de encontrarlo “en el campo”, explorando la experiencia y los proyectos del proveedor líder de etiquetado y la plataforma 3D. Where the bottlenecks arise El segmento 3D de etiquetado único desbloquea potentes capacidades para sistemas autónomos en diversas industrias, incluidos el automóvil, la robótica, la construcción y la salud. Así, ¿dónde surge un conjunto único de desafíos? Los datos de la nube de puntos son inherentemente inestables: las reflexiones de superficies de vidrio o húmedas, el ruido inducido por el tiempo y los objetos en constante movimiento pueden distorsionar la escena o crear estructuras "fantasmas" que nunca existieron. Los escáneres de gran escala añaden una complejidad adicional; los sensores de alineación, los vectores de sincronización de marcos, y el mantenimiento de la consistencia geométrica en conjuntos de datos masivos requieren un control meticulo. Más importante aún, la anota Joint laboratory of humans and powerful tools El entre un equipo especializado en etiquetado de alta precisión, y , una plataforma diseñada para el etiquetado de 3D a escala empresarial, demuestra cómo la combinación de herramientas avanzadas y experiencia humana eleva los flujos de trabajo de datos 3D y resuelve las barreras ocultas. Trabajando en proyectos 3D de diversa complejidad y escala, los equipos de Keymakr y Segments.ai comparten sus casos más interesantes y soluciones creativas a problemas desafiantes. La asociación anunciada Keymakr Segmentación.es Solving weather-related point cloud distortions Uno de los ejemplos prácticos de solucionar los obstáculos provino del ruido relacionado con el tiempo. Durante un proyecto de mapeo de infraestructuras basado en LiDAR, la niebla pesada y el deslizamiento causaron una densidad de punto inestable, lo que dificultaba distinguir objetos reales de artefactos atmosféricos. Los filtros integrados de Segments.ai gestionaron la primera capa de limpieza eliminando puntos de baja intensidad y aislados. Sin embargo, las distorsiones meteorológicas eran demasiado heterogéneas para las herramientas automáticas por sí solas: la niebla creó aglomerados de puntos difusos, el deslizamiento generó agudas pero aleatorias “paredes”, y las superficies de carretera reflectantes añadieron otra capa de complejidad. Análisis visual basado en patrones: los anotadores identificaron manualmente firmas de ruido recurrentes (patchas de niebla, resplandor reflectante, artefactos de humedad). Ajuste iterativo del umbral: los ingenieros de Segments.ai adaptaron las reglas de filtración a las interferencias ambientales en lugar de los ruidos genéricos. Limpiar en capas: el conjunto de datos fue filtrado, revisado, corregido y luego pasado a través de un filtro ajustado una segunda vez. Verificación cruzada en el espacio 3D: los operadores validaron y limpiaron regiones en múltiples ángulos y profundidades para asegurarse de que se conservaran objetos legítimos. Este ciclo humano-máquina mejoró drásticamente el conjunto de datos.Más importante, produjo un flujo de trabajo repetible para escaneos afectados por el clima, un proceso que ambos equipos ahora utilizan como un modelo cuando trabajan con LiDAR capturados en condiciones no ideales. "El equipo de Keymakr utiliza plenamente nuestra plataforma para optimizar la velocidad y la calidad a través de proyectos complejos.Su comunicación proactiva y los comentarios de expertos nos ayudan a mejorar continuamente la plataforma.Siempre es bueno ver los resultados que están logrando para algunos de los clientes que apoyamos juntos". Otto Debals, CEO de Segments.ai "Keymakr’s team makes full use of our platform to optimize speed and quality across complex projects. Their proactive communication and expert feedback help us continuously improve the platform. It’s always great to see the results they’re achieving for some of the customers we support together." Otto Debals, CEO de Segments.ai Restoring time synchronization in custom LiDAR formats Otro caso involucró un bloqueo técnico relacionado con los datos de la nube de puntos basados en el tiempo. A diferencia del vídeo, donde los marcos son discretos y fáciles de alinear, las nubes de puntos se miden con el tiempo, lo que significa que no es un marco específico, sino una grabación continua en segundos. El cliente tenía un formato de datos personalizado, y durante la carga, el alineamiento de marco a timestamp fue ignorado, causando que el archivo se mostrara incorrectamente. Como resultado, la plataforma no podía reconocer o procesar el conjunto de datos. El desafío fue resuelto conjuntamente por el equipo técnico de Keymakr y los ingenieros de Segments.ai, que ajustaron la lógica de mapeo del tiempo y restablecieron la plena compatibilidad. Esta colaboración salvó el conjunto “Siempre buscamos formas creativas de utilizar las herramientas de nuestros socios, ya que nuestros clientes a menudo solicitan tareas no estándar y complejas”, dice Zoia Boiko, PM de Keymakr. “Trabajar con formatos no convencionales y casos desafiantes ayuda a Segments a mejorar la plataforma, creando un mejor entorno para todos. “Siempre buscamos formas creativas de utilizar las herramientas de nuestros socios, ya que nuestros clientes a menudo solicitan tareas no estándar y complejas”, dice Zoia Boiko, PM de Keymakr. “Trabajar con formatos no convencionales y casos desafiantes ayuda a Segments a mejorar la plataforma, creando un mejor entorno para todos. Así, Keymakr aporta el componente humano, la atención, la creatividad y una profunda comprensión de cómo se comportan los datos del mundo real. Segmentos trae el elemento simplificador - alimentando los flujos de trabajo, soluciones de ingeniería, y haciendo posible el etiquetado.Cuando el equipo de anotación prueba casos reales "de campo" en la plataforma, ambas compañías crean un entorno en el que la herramienta se adapta al usuario y, a su vez, forma los flujos de trabajo en consecuencia. Resolving structural breaks in 3D road markings En los flujos de trabajo 2D, una línea puede ser interrumpida y continuada sin afectar a la estructura general, pero en 3D, esto es peligroso. Incluso un pequeño "bucle" artificial puede ser malinterpretado por un sistema autónomo como un final de línea. Para abordar esto, el equipo de Keymakr desarrolló un flujo de trabajo basado en polilíneas continuas con eliminación automática de la superposición. Cada marca de carretera se dibujó como un objeto continuo único, después de lo cual Segments.ai eliminó automáticamente sólo los segmentos que cayeron dentro de las zonas de superposición. Esto impidió que el modelo se superponga como brechas estructurales, mejorando significativamente la consistencia. “En 3D, no se pueden permitir brechas accidentales.Un solo corte puede distorsionar la geometría de toda la escena y engañar a un sistema autónomo.Nuestro objetivo era crear un flujo de trabajo donde la continuidad sea garantizada por el diseño, no dejado al azar”, — Zoia Boiko, PM en Keymakr. “In 3D, you can’t afford accidental gaps. A single break can distort the geometry of the entire scene and mislead an autonomous system. Our goal was to create a workflow where continuity is guaranteed by design, not left to chance,” — Zoia Boiko, PM at Keymakr. El proceso se reforzó aún más trabajando dentro de una escena agregada en 3D utilizando el modo de fusión de Segments.ai. En lugar de miles de marcos desconectados, los anotadores trabajaron con una representación unificada y densa de toda la ruta, completa con bordes, divisiones, fusiones, curvas, señales y carriles. Después de construir el "esqueleto" global de la anotación en el modo de fusión, los operadores volvieron a la edición a nivel de marco solo para refinar las superposiciones, sin alterar la geometría subyacente. Esto mantuvo los conjuntos de datos compactos y evitó errores comunes en extensas ediciones multi-frame.Lo que comenzó como una barrera estructural se convirtió en un método escalable ahora reutilizado en muchos proyectos LiDAR 3D. Todos estos casos de Keymakr y Segments.ai pueden ser vistos como ejemplos de un laboratorio conjunto donde la tecnología evoluciona en conjunto con la experiencia humana. Mientras que el etiquetado 3D a menudo se ve como un proceso puramente técnico, en realidad, refleja algo mucho más profundo, enseñando a las máquinas a comprender el mundo real. Cada nube de punto captura un fragmento de la realidad, y es el operador humano quien determina lo que es significativo, lo que es ruido, y lo que realmente existe en la escena. Juntos, estos casos muestran que el futuro del trabajo de datos 3D está en un modelo humano-in-the-loop, donde las personas guían el sistema, forman las herramientas a través de desafíos de campo real, y finalmente aseguran la fiabilidad, precisión, y confianza en la salida final.