สําหรับวิศวกรที่สมบูรณ์แบบท่อข้อมูล 2D การย้ายไปยัง 3D อาจเป็นแรงบันดาลใจ สิ่งที่เคยเป็นปัญหาที่ได้รับการแก้ปัญหาของการวาดกล่อง 2D ได้กลายเป็นการต่อสู้ที่ซับซ้อนกับคลาวด์จุดที่หายากการแสดงผลที่ซับซ้อนและการจัดประเภทที่ไม่ชัดเจน กระบวนการ “เรียบง่าย” มักจะรวมถึงความท้าทายจํานวนมากและข้อบกพร่องที่ซ่อนอยู่ วิธีการแก้ปัญหาเหล่านี้และวิธีการแก้ปัญหาที่ดีที่สุดสําหรับพวกเขาคืออะไร? ลองลองหา “ในสาขา” โดยการสํารวจความเชี่ยวชาญและโครงการของผู้ให้บริการฉลากชั้นนําและแพลตฟอร์ม 3D Where the bottlenecks arise การติดฉลากแบบ 3D เท่านั้นจะเปิดตัวความสามารถที่แข็งแกร่งสําหรับระบบอัตโนมัติในอุตสาหกรรมต่าง ๆ รวมถึงยานยนต์หุ่นยนต์การก่อสร้างและสุขภาพ ดังนั้นการสแกนแบบครบวงจรจะเกิดขึ้นจากไหน? ข้อมูลแบบ Point-cloud นั้นไม่เสถียรอย่างสมบูรณ์: การสะท้อนจากพื้นผิวแก้วหรือเปียกเสียงที่เกิดจากสภาพอากาศและวัตถุที่เคลื่อนไหวอย่างต่อเนื่องสามารถทําให้เกิดความผิดพลาดในสถานการณ์หรือสร้างโครงสร้าง "จินตนาการ" ที่ไม่เคยมีอยู่ ดังนั้นการสแกนแบบขนาดใหญ่จะเพิ่มความซับซ้อนเพิ่มเติม เซ็นเซอร์ที่สอดคล้องกับ vectorists การซิงค์กรอบและรักษาความสม่ําเสมอทางภูมิศาสตร์ผ่านชุดข้อมูลขนาดใหญ่ต้องมีการควบคุมอย่างละเอียด สิ่งที่สําคัญคือการทําเครื่องหมาย 3D มากกว่า Joint laboratory of humans and powerful tools โซ ระหว่าง ทีมงานที่เชี่ยวชาญในการฉลากความแม่นยําสูงและ , แพลตฟอร์มที่ออกแบบมาสําหรับฉลาก 3D ในระดับองค์กรแสดงให้เห็นว่าการรวมกันของเครื่องมือขั้นสูงและความรู้ของมนุษย์ช่วยเพิ่มการทํางานของข้อมูล 3D และแก้ขอบเขตที่ซ่อนอยู่ การทํางานในโครงการ 3D ที่มีความซับซ้อนและมีขนาดแตกต่างกันทีม Keymakr และ Segments.ai จะแบ่งปันกรณีที่น่าสนใจที่สุดและโซลูชั่นที่สร้างสรรค์สําหรับปัญหาที่ท้าทาย พันธมิตรที่ประกาศ เคล็ดลับ ชิ้นส่วน Solving weather-related point cloud distortions หนึ่งในตัวอย่างทางปฏิบัติของการแก้ขยะขยะมาจากเสียงรบกวนที่เกี่ยวข้องกับสภาพอากาศ ในระหว่างโครงการการทําแผนภูมิพื้นฐาน LiDAR มืดหนักและขยะก่อให้เกิดความหนาแน่นจุดไม่เสถียรทําให้เป็นเรื่องยากที่จะแยกต่างหากวัตถุที่แท้จริงจากสิ่งอํานวยความสะดวกในบรรยากาศ ตัวกรองในตัวของ Segments.ai จัดการชั้นแรกของการทําความสะอาดโดยการกําจัดจุดที่มีความเข้มต่ําและฉนวน อย่างไรก็ตามการขัดแย้งในสภาพอากาศเป็นเรื่องไม่สม่ําเสมอสําหรับเครื่องมืออัตโนมัติเท่านั้น: ตะแกรงสร้างกลุ่มจุดกระจายขยะขยะสร้าง "ขยะ" ที่คมชัด แต่สุ่มและพื้นผิวถนนสะท้อนแสงเพิ่มชั้นอื่น ๆ ของความซับซ้อน เพื่อแก้ปัญหานี้ทีม Keymakr ใช้กระบวนการตรวจสอบหลายขั้นตอน: การวิเคราะห์ภาพตามแบบจําลอง: เครื่องบันทึกระบุสัญญาณเสียงซ้ํากันด้วยตนเอง (แพทช์โฟกัสแสงสะท้อนแสงสิ่งประดิษฐ์ความชื้น) การตั้งค่าขอบเขตแบบ iterative: นักวิศวกร Segments.ai ปรับกฎการกรองให้เหมาะกับความรบกวนของสิ่งแวดล้อมมากกว่าเสียงรบกวนทั่วไป การทําความสะอาดชั้น: ชุดข้อมูลได้รับการกรองตรวจสอบแก้ไขแล้วผ่านตัวกรองที่ปรับเปลี่ยนเป็นครั้งที่สอง การตรวจสอบข้ามในพื้นที่ 3D: ผู้ประกอบการยืนยันและทําความสะอาดพื้นที่ในมุมและความลึกหลายมุมเพื่อให้แน่ใจว่าวัตถุที่ถูกต้องได้รับการปกป้อง วงเล็บมนุษย์-เครื่องนี้ปรับปรุงชุดข้อมูลอย่างมีนัยสําคัญยิ่งขึ้น มันผลิตกระบวนการทํางานที่สามารถทําซ้ําได้สําหรับสแกนที่ได้รับผลกระทบจากสภาพอากาศกระบวนการที่ทั้งสองทีมใช้เป็นเทมเพลตเมื่อทํางานกับ LiDAR ที่จับในสภาพที่ไม่เหมาะ “ทีมงาน Keymakr ใช้แพลตฟอร์มของเราอย่างเต็มที่เพื่อเพิ่มความเร็วและคุณภาพในโครงการที่ซับซ้อน การสื่อสารเชิงรุกและการตอบสนองจากผู้เชี่ยวชาญของพวกเขาช่วยให้เราปรับปรุงแพลตฟอร์มอย่างต่อเนื่อง มันเป็นสิ่งที่ดีเสมอที่จะเห็นผลลัพธ์ที่พวกเขาประสบความสําเร็จสําหรับลูกค้าบางรายที่เราสนับสนุนร่วมกัน” Otto Debals, CEO ใน 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 ใน Segments.ai Restoring time synchronization in custom LiDAR formats กรณีอื่นเกี่ยวข้องกับขีดข่วนทางเทคนิคที่เกี่ยวข้องกับข้อมูลจุดคลาวด์ตามเวลา ซึ่งแตกต่างจากวิดีโอซึ่งมีกรอบที่แยกต่างหากและง่ายต่อการจัดลําดับคลาวด์จุดจะวัดตามเวลาซึ่งหมายความว่าไม่ใช่กรอบเฉพาะ แต่การบันทึกอย่างต่อเนื่องในวินาที ลูกค้ามีรูปแบบข้อมูลที่กําหนดเองและในระหว่างการอัปโหลดการจัดลําดับกรอบเวลาถูกลืมทําให้ไฟล์แสดงไม่ถูกต้อง เป็นผลให้แพลตฟอร์มไม่สามารถรับรู้หรือประมวลผลชุดข้อมูลได้ ความท้าทายนี้ได้รับการแก้ไขโดยทีมงานด้านเทคนิค Keymakr และวิศวกร Segments.ai ซึ่งปรับกลยุทธ์การทําแผนที่เวลาและฟื้นฟูความเข้ากันได้เต็มรูปแบบ การทํางานร่วมกันนี้บันทึกข้อมูลและนําไปสู่การปรับปรุงความสามารถในการซิงค์เวลาของแพลตฟอร์ “เรามักจะมองหาวิธีสร้างสรรค์ในการใช้เครื่องมือของพันธมิตรของเราเนื่องจากลูกค้าของเรามักจะของานที่ไม่ใช่มาตรฐานและซับซ้อน” Zoia Boiko, PM ใน Keymakr กล่าวว่า “การทํางานกับรูปแบบที่ไม่ธรรมดาและกรณีที่ท้าทายช่วยให้ Segments ปรับปรุงแพลตฟอร์มสร้างสภาพแวดล้อมที่ดีขึ้นสําหรับทุกคน ดังนั้นเราเติบโตด้วยกันและทีมของเราพบว่าเครื่องมือของมันเป็นสิ่งจําเป็น” “เรามักจะมองหาวิธีสร้างสรรค์ในการใช้เครื่องมือของพันธมิตรของเราเนื่องจากลูกค้าของเรามักจะของานที่ไม่ใช่มาตรฐานและซับซ้อน” Zoia Boiko, PM ใน Keymakr กล่าวว่า “การทํางานกับรูปแบบที่ไม่ธรรมดาและกรณีที่ท้าทายช่วยให้ Segments ปรับปรุงแพลตฟอร์มสร้างสภาพแวดล้อมที่ดีขึ้นสําหรับทุกคน ดังนั้นเราเติบโตด้วยกันและทีมของเราพบว่าเครื่องมือของมันเป็นสิ่งจําเป็น” ดังนั้น Keymakr มีส่วนประกอบของมนุษย์ความสนใจความคิดสร้างสรรค์และความเข้าใจที่ลึกซึ้งเกี่ยวกับวิธีที่ข้อมูลในโลกจริงพฤติกรรม Segments นําองค์ประกอบที่เรียบง่ายขึ้น - การขับเคลื่อนกระบวนการทํางานโซลูชั่นทางวิศวกรรมและทําให้การติดฉลากเป็นไปได้ เมื่อทีมบันทึกทดสอบกรณี "สนาม" จริงบนแพลตฟอร์มทั้งสอง บริษัท สร้างสภาพแวดล้อมที่เครื่องมือที่ปรับตัวเข้ากับผู้ใช้และในทางกลับกันสร้างกระบวนการทํางานตาม Resolving structural breaks in 3D road markings หนึ่งขีดข่วนเพิ่มเติมเกิดขึ้นในโครงการที่ต้องการการทําเครื่องหมายถนน 3D ที่มีความแม่นยําสูง ในกระบวนการทํางาน 2D เส้นสามารถหยุดและดําเนินการโดยไม่ส่งผลกระทบต่อโครงสร้างโดยรวม แต่ใน 3D นี้เป็นอันตราย แม้กระทั่ง "ขีดข่วน" แบบเทียมเล็ก ๆ น้อย ๆ อาจถูกตีความผิดโดยระบบอัตโนมัติเป็นจุดสิ้นสุดของเส้นทาง เพื่อแก้ปัญหานี้ทีม Keymakr ได้พัฒนากระบวนการทํางานที่ขึ้นอยู่กับ polylines แบบต่อเนื่องด้วยการกําจัดความซับซ้อนอัตโนมัติ การทําเครื่องหมายถนนแต่ละชิ้นถูกวาดขึ้นเป็นวัตถุแบบต่อเนื่องเดียวหลังจากนั้น Segments.ai ได้ลบเฉพาะส่วนที่ตกอยู่ในโซนที่ซับซ้อน ซึ่งป้องกันไม่ให้รุ่นอ่านซับซ้อนเป็นส่วนแบ่งโครงสร้างซึ่งช่วยปรับปรุงความสม่ “ใน 3D คุณไม่สามารถอนุญาตให้มีช่องว่างแบบสุ่มได้ การแตกหักเพียงครั้งเดียวสามารถเปลี่ยนรูปทรงของสถานการณ์ทั้งหมดและทําให้ระบบอัตโนมัติผิดพลาด วัตถุประสงค์ของเราคือการสร้างกระบวนการทํางานที่ความต่อเนื่องได้รับการรับประกันโดยการออกแบบและไม่ทิ้งไว้ในโอกาส” – Zoia Boiko, PM ที่ Keymakr “ใน 3D คุณไม่สามารถอนุญาตให้มีช่องว่างแบบสุ่มได้ การแตกหักเพียงครั้งเดียวสามารถเปลี่ยนรูปทรงของสถานการณ์ทั้งหมดและทําให้ระบบอัตโนมัติผิดพลาด วัตถุประสงค์ของเราคือการสร้างกระบวนการทํางานที่ความต่อเนื่องได้รับการรับประกันโดยการออกแบบและไม่ทิ้งไว้ในโอกาส” – Zoia Boiko, PM ที่ Keymakr กระบวนการนี้ได้รับการเสริมสร้างมากขึ้นโดยการทํางานภายในสถานการณ์ 3D ที่รวมโดยใช้โหมดรวมของ Segments.ai แทนที่จะใช้หลายพันกรอบที่ไม่เชื่อมต่อตัวอักษรตัวอักษรที่ทํางานด้วยตัวอักษรที่สอดคล้องกันและมีความหนาแน่นของเส้นทางทั้งหมดรวมทั้งขอบการแยกการรวมการยึดขอบการทําเครื่องหมายและแถบป้องกัน การมองเห็นแบบครบวงจรนี้ทําให้ทางเส้นทางที่ชัดเจนขึ้นการเปลี่ยนแปลงมีความสมเหตุสมผลมากขึ้นและการเรียบเส้นมีความแม่นยํามากขึ้น หลังจากสร้าง "กระดูก" ทั่วโลกของคําอธิบายในโหมด fusion ผู้ประกอบการเปลี่ยนกลับไปที่การแก้ไขระดับกรอบเท่านั้นเพื่อปรับปรุงการซ้ําซ้อนโดยไม่ต้องเปลี่ยนแปลงรูปทรงพื้นฐาน สิ่งนี้ทําให้ชุดข้อมูลมีความกะทัดรัดและหลีกเลี่ยงข้อผิดพลาดที่พบบ่อยในการแก้ไขหลายกรอบอย่างกว้างขวาง สิ่งที่เริ่มต้นเป็นขอบเขตโครงสร้างกลายเป็นวิธีการที่สามารถปรับขนาดได้แล้วใช้ใหม่ในหลายโครงการ LiDAR 3D กรณีเหล่านี้ทั้งหมดจาก Keymakr และ Segments.ai สามารถมองเห็นได้ว่าเป็นตัวอย่างของห้องปฏิบัติการร่วมซึ่งเทคโนโลยีพัฒนาขึ้นพร้อมกับความเชี่ยวชาญของมนุษย์ ในขณะที่การติดฉลาก 3D มักจะถูกมองเห็นว่าเป็นกระบวนการทางเทคนิคอย่างบริสุทธิ์ แต่ในความเป็นจริงมันสะท้อนถึงสิ่งที่ลึกซึ้งมากขึ้นการสอนเครื่องจักรเพื่อเข้าใจโลกจริง ทุกจุดคลาวด์จับภาพชิ้นส่วนของความเป็นจริงและเป็นผู้ประกอบการมนุษย์ที่กําหนดสิ่งที่มีความหมายอะไรเป็นเสียงรบกวนและสิ่งที่มีอยู่จริงในสถานการณ์ รวมทั้งกรณีเหล่านี้แสดงให้เห็นว่าอนาคตของงานข้อมูล 3D อยู่ในรูปแบบของมนุษย์ในวงจรซึ่งผู้คนนําระบบสร้างเครื่องมือผ่านความท้าทายในพื้นที่จริงและในที่สุดให้ความน่าเชื่อถือความแม่นยําและความไว้วางใจในผลลัพธ์สุดท้าย
