Para os engenheiros que aperfeiçoaram os pipelines de dados 2D, a mudança para 3D pode ser um choque.O que uma vez foi um problema resolvido de desenhar caixas 2D tornou-se uma batalha complexa contra nuvens de pontos escassos, visualização rústica e classificações ambíguas. Um processo “simples” muitas vezes envolve inúmeros desafios e lacunas ocultas.Como eles podem ser resolvidos, e qual é a solução ideal para eles?Tentemos encontrá-lo “no campo”, explorando a experiência e projetos do principal provedor de rotulagem e plataforma 3D. Where the bottlenecks arise A rotulagem de segmento 3D desbloqueia poderosas capacidades adequadas para sistemas autônomos em várias indústrias, incluindo automoção, robótica, construção e saúde. Então, onde surge um conjunto único de desafios? Os dados de nuvem de ponto são inerentemente instáveis: reflexões de superfícies de vidro ou molhadas, ruído induzido pelo tempo e objetos em constante movimento podem distorcer a cena ou criar estruturas “fantasmas” que nunca existiram. Os sistemas LiDAR em larga escala adicionam complexidade adicional; sensores alinhados, vectoristas sincronizadores de quadros e manutenção de consistência geométrica em conjuntos de dados maciços requerem controle meticuloso. Mais importante ainda, a anotação 3D é mais do que pontos de marcação; Joint laboratory of humans and powerful tools O Entre os , uma equipe especializada em rotulagem de alta precisão, e , uma plataforma concebida para rotulagem 3D em nível empresarial, demonstra como a combinação de ferramentas avançadas e experiência humana eleva os fluxos de trabalho de dados 3D e resolve lacunas ocultas. Trabalhando em projetos 3D de diferentes complexidades e escalas, as equipes Keymakr e Segments.ai compartilham seus casos mais interessantes e soluções criativas para problemas desafiadores. Parceria anunciada Keymakr Segmentos .ai Solving weather-related point cloud distortions Durante um projeto de mapeamento de infraestrutura baseado em LiDAR, a névoa pesada e o deslizamento causaram uma densidade de ponto instável, o que dificultou a distinção entre objetos reais e artefatos atmosféricos. Os filtros integrados da Segments.ai lidaram com a primeira camada de limpeza removendo pontos de baixa intensidade e isolados. No entanto, as distorções meteorológicas eram muito heterogêneas para ferramentas automáticas sozinhas: a névoa criou aglomerados de pontos difusos, o deslizamento gerou "brilhos" afiados mas aleatórios e as superfícies de estrada refletivas adicionaram outra camada de complexidade. Para resolver isso, a equipe de Keymakr aplicou um fluxo de trabalho de revisão em várias etapas: Análise visual baseada em padrões: os anotadores identificaram manualmente assinaturas de ruído recorrentes (patches de névoa, brilho refletivo, artefatos de umidade). Ajuste de limiar iterativo: os engenheiros da Segments.ai adaptaram as regras de filtragem às interferências ambientais em vez de ruídos genéricos. Limpar em camadas: o conjunto de dados foi filtrado, revisado, corrigido e, em seguida, passado por um filtro ajustado uma segunda vez. Verificação cruzada no espaço 3D: os operadores validaram e limparam regiões em múltiplos ângulos e profundidades para garantir que os objetos legítimos foram preservados. Mais importante ainda, produziu um fluxo de trabalho repetível para varreduras afetadas pelo tempo, um processo que ambas as equipes agora usam como um modelo quando trabalham com LiDAR capturado em condições não ideais. “A equipe da Keymakr faz pleno uso da nossa plataforma para otimizar a velocidade e a qualidade em projetos complexos.A sua comunicação proativa e feedback especializado nos ajudam a melhorar continuamente a plataforma.É sempre ótimo ver os resultados que estão alcançando para alguns dos clientes que apoiamos juntos.” Otto Debals, CEO da 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 da Segments.ai Restoring time synchronization in custom LiDAR formats Outro caso envolveu uma lacuna técnica relacionada a dados de nuvem de ponto baseados no tempo. Ao contrário do vídeo, onde os quadros são discretos e fáceis de alinhar, as nuvens de ponto são medidos ao longo do tempo, o que significa não um quadro específico, mas uma gravação contínua em segundos. O cliente tinha um formato de dados personalizado, e durante o upload, o alinhamento de frame-to-timestamp foi ignorado, fazendo com que o arquivo fosse exibido incorretamente. Como resultado, a plataforma não podia reconhecer ou processar o conjunto de dados. O desafio foi resolvido em conjunto pela equipe técnica Keymakr e os engenheiros da Segments.ai, que ajustaram a lógica de mapeamento do tempo e restauraram a total compatibilidade. Esta colaboração salvou o conjunto “Estamos sempre à procura de maneiras criativas de usar as ferramentas de nossos parceiros, já que nossos clientes muitas vezes pedem tarefas não padrão e complexas”, diz Zoia Boiko, PM da Keymakr. “Trabalhar com formatos não convencionais e casos desafiadores ajuda a Segments a melhorar a plataforma, criando um ambiente melhor para todos. “Estamos sempre à procura de maneiras criativas de usar as ferramentas de nossos parceiros, já que nossos clientes muitas vezes pedem tarefas não padrão e complexas”, diz Zoia Boiko, PM da Keymakr. “Trabalhar com formatos não convencionais e casos desafiadores ajuda a Segments a melhorar a plataforma, criando um ambiente melhor para todos. Assim, o Keymakr contribui com o componente humano, a atenção, a criatividade e uma profunda compreensão de como os dados do mundo real se comportam. Segmentos traz o elemento de simplificação - impulsionando fluxos de trabalho, soluções de engenharia e tornando a rotulagem possível.Quando a equipe de anotação testa casos reais "de campo" na plataforma, ambas as empresas criam um ambiente onde a ferramenta se adapta ao usuário e, por sua vez, moldam os fluxos de trabalho em conformidade. Resolving structural breaks in 3D road markings Outra lacuna surgiu em projetos que exigem marcações de estradas 3D altamente precisas. Em fluxos de trabalho 2D, uma linha pode ser interrompida e continuada sem afetar a estrutura geral, mas em 3D, isso é perigoso. Mesmo uma pequena "caixa" artificial pode ser mal interpretada por um sistema autônomo como um fim de faixa. Para resolver isso, a equipe de Keymakr desenvolveu um fluxo de trabalho baseado em polinhas contínuas com remoção automática de sobreposição. Cada marcação de estrada foi desenhada como um único objeto contínuo, após o qual Segments.ai removeu automaticamente apenas os segmentos que caíram dentro das zonas de sobreposição. Isso impediu o modelo de ler sobreposições como quebras estruturais, melhorando significativamente a consistência. “Em 3D, você não pode permitir lacunas acidentais. Uma única pausa pode distorcer a geometria de toda a cena e enganar um sistema autônomo. Nosso objetivo era criar um fluxo de trabalho onde a continuidade é garantida pelo design, não deixado ao acaso”, — Zoia Boiko, PM da Keymakr. “Em 3D, você não pode permitir lacunas acidentais. Uma única pausa pode distorcer a geometria de toda a cena e enganar um sistema autônomo. Nosso objetivo era criar um fluxo de trabalho onde a continuidade é garantida pelo design, não deixado ao acaso”, — Zoia Boiko, PM da Keymakr. O processo foi reforçado ainda mais por trabalhar dentro de uma cena agregada 3D usando o modo de fusão da Segments.ai. Em vez de milhares de quadros desconectados, os anotadores trabalharam com uma representação unificada e densa de toda a rota, completa com bordas, divisões, fusões, curvas, sinais e rolos de segurança. Esta visão holística tornou a geometria da estrada mais clara, as transições mais lógicas e a suavização da linha muito mais precisa. Depois de construir o “esqueleto” global da anotação no modo de fusão, os operadores voltaram para a edição de nível de quadro apenas para refinar as sobreposições, sem alterar a geometria subjacente. Isto manteve os conjuntos de dados compactos e evitou erros comuns em extensas edições multi-frame. Todos esses casos de Keymakr e Segments.ai podem ser vistos como exemplos de um laboratório conjunto onde a tecnologia evolui em conjunto com a experiência humana. Enquanto a rotulagem 3D é muitas vezes vista como um processo puramente técnico, na realidade, reflete algo muito mais profundo, ensinando as máquinas a entender o mundo real. Cada nuvem de ponto capta um fragmento de realidade, e é o operador humano que determina o que é significativo, o que é ruído e o que realmente existe na cena. Juntos, esses casos mostram que o futuro do trabalho de dados 3D está em um modelo humano-in-the-loop, onde as pessoas guiam o sistema, moldam as ferramentas através de desafios de campo real e, em última análise, garantem confiabilidade, precisão e confiança na saída final.