Đối với các kỹ sư đã hoàn thiện các đường ống dữ liệu 2D, chuyển sang 3D có thể là một cú sốc.Điều đã từng là một vấn đề được giải quyết của việc vẽ các hộp 2D đã trở thành một cuộc chiến phức tạp chống lại các đám mây điểm hiếm, hình ảnh nhạt nhẽo và phân loại mơ hồ. Một quá trình “đơn giản” thường bao gồm nhiều thách thức và chướng ngại vật ẩn. làm thế nào chúng có thể được giải quyết, và giải pháp tối ưu cho chúng là gì? Chúng ta hãy cố gắng tìm thấy nó “trong lĩnh vực”, bằng cách khám phá chuyên môn và dự án của nhà cung cấp nhãn hàng đầu và nền tảng 3D. Where the bottlenecks arise Nhãn hiệu 3D phân đoạn duy nhất này mở khóa khả năng mạnh mẽ cho các hệ thống tự trị trên các ngành công nghiệp khác nhau, bao gồm ô tô, robot, xây dựng và chăm sóc sức khỏe. Vì vậy, nơi mà một tập hợp các thách thức độc đáo phát sinh? Dữ liệu Point-cloud là hoàn toàn không ổn định: phản xạ từ các bề mặt thủy tinh hoặc ẩm ướt, tiếng ồn do thời tiết gây ra, và các đối tượng liên tục di chuyển có thể làm biến dạng cảnh hoặc tạo ra các cấu trúc "phantom" chưa từng tồn tại. Hệ thống LiDAR quy mô lớn thêm phức tạp; các cảm biến điều chỉnh, các vectorists đồng bộ hóa khung hình, và duy trì tính nhất định về hình học trên các bộ dữ liệu khổng lồ đòi hỏi kiểm soát chi tiết. Quan trọng hơn nữa, ghi chú 3D cá nhân Joint laboratory of humans and powerful tools Các giữa , một nhóm chuyên về nhãn hiệu chính xác cao, và , một nền tảng được thiết kế cho nhãn hiệu 3D cấp doanh nghiệp, cho thấy sự kết hợp của công cụ tiên tiến và chuyên môn của con người làm tăng quy trình làm việc dữ liệu 3D và giải quyết các chướng ngại vật ẩn. Làm việc trên các dự án 3D có độ phức tạp và quy mô khác nhau, các nhóm Keymakr và Segments.ai chia sẻ các trường hợp thú vị nhất của họ và giải pháp sáng tạo cho các vấn đề đầy thách thức. Hợp tác công bố Keymakr Phân loại.ai Solving weather-related point cloud distortions Trong một dự án lập bản đồ cơ sở hạ tầng dựa trên LiDAR, sương mù nặng và sương mù gây ra mật độ điểm không ổn định, khiến khó phân biệt các đối tượng thực từ các hiện vật khí quyển. Các bộ lọc tích hợp của Segments.ai xử lý lớp làm sạch đầu tiên bằng cách loại bỏ các điểm cường độ thấp và bị cô lập. Tuy nhiên, sự biến dạng thời tiết quá không đồng nhất đối với các công cụ tự động: sương mù tạo ra các cụm điểm phân tán, sương mù tạo ra các “sương mù” sắc nét nhưng ngẫu nhiên và bề mặt đường phản chiếu thêm một lớp phức tạp khác. Để giải quyết điều này, nhóm Keymakr đã áp dụng một quy trình làm việc xem xét nhiều bước: Phân tích hình ảnh dựa trên mô hình: các nhà ghi chú đã xác định thủ công các chữ ký tiếng ồn lặp đi lặp lại (những vết bẩn sương mù, ánh sáng phản chiếu, hiện vật độ ẩm). Iterative threshold tuning: Các kỹ sư của Segments.ai đã điều chỉnh các quy tắc lọc cho sự can thiệp của môi trường thay vì tiếng ồn chung. Lớp làm sạch: bộ dữ liệu đã được lọc, xem xét, sửa chữa, và sau đó đi qua một bộ lọc điều chỉnh một lần thứ hai. Kiểm tra chéo trong không gian 3D: các nhà khai thác xác nhận và làm sạch các khu vực ở nhiều góc độ và độ sâu để đảm bảo các đối tượng hợp pháp được bảo tồn. Điều quan trọng hơn, nó tạo ra một dòng công việc lặp đi lặp lại cho quét bị ảnh hưởng bởi thời tiết, một quá trình mà cả hai nhóm hiện đang sử dụng như một mẫu khi làm việc với LiDAR được thu thập trong điều kiện không lý tưởng. "Đội ngũ của Keymakr sử dụng đầy đủ nền tảng của chúng tôi để tối ưu hóa tốc độ và chất lượng trên các dự án phức tạp. Truyền thông chủ động và phản hồi chuyên gia của họ giúp chúng tôi liên tục cải thiện nền tảng. Otto Debals, CEO tại 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 tại Segments.ai Restoring time synchronization in custom LiDAR formats Một trường hợp khác liên quan đến một chướng ngại vật kỹ thuật liên quan đến dữ liệu đám mây điểm dựa trên thời gian. Không giống như video, nơi các khung được phân biệt và dễ dàng sắp xếp, các đám mây điểm được đo theo thời gian, có nghĩa là không phải là một khung cụ thể mà là một bản ghi liên tục trong vài giây. Khách hàng có định dạng dữ liệu tùy chỉnh, và trong quá trình tải, sự sắp xếp khung theo dấu thời gian đã bị bỏ qua, khiến tệp được hiển thị không chính xác. Kết quả là nền tảng không thể nhận ra hoặc xử lý bộ dữ liệu. Thách thức này đã được giải quyết cùng với đội ngũ kỹ thuật Keymakr và các kỹ sư Segments.ai, những người đã điều chỉnh logic lập bản đồ thời gian và khôi phục khả năng tương thích đầy đủ. Sự hợp tác này đã bảo vệ bộ dữ liệu và “Chúng tôi luôn tìm cách sáng tạo để sử dụng các công cụ của đối tác, vì khách hàng của chúng tôi thường yêu cầu các nhiệm vụ phi tiêu chuẩn và phức tạp”, Zoia Boiko, Thủ tướng tại Keymakr nói. “Việc làm việc với các định dạng không thông thường và các trường hợp đầy thách thức giúp Segments cải thiện nền tảng, tạo ra một môi trường tốt hơn cho mọi người. “Chúng tôi luôn tìm cách sáng tạo để sử dụng các công cụ của đối tác, vì khách hàng của chúng tôi thường yêu cầu các nhiệm vụ phi tiêu chuẩn và phức tạp”, Zoia Boiko, Thủ tướng tại Keymakr nói. “Việc làm việc với các định dạng không thông thường và các trường hợp đầy thách thức giúp Segments cải thiện nền tảng, tạo ra một môi trường tốt hơn cho mọi người. Do đó, Keymakr đóng góp thành phần con người, sự chú ý, sáng tạo, và một sự hiểu biết sâu sắc về cách dữ liệu thế giới thực cư xử. Segments mang lại yếu tố hợp lý hóa - cung cấp năng lượng cho các quy trình làm việc, các giải pháp kỹ thuật và làm cho nhãn hiệu có thể.Khi nhóm ghi chú kiểm tra các trường hợp thực sự trên nền tảng, cả hai công ty tạo ra một môi trường nơi công cụ thích nghi với người dùng và, lần lượt, định hình các quy trình làm việc phù hợp. Resolving structural breaks in 3D road markings Một chướng ngại vật khác đã xuất hiện trong các dự án đòi hỏi đánh dấu đường 3D rất chính xác. Trong quy trình làm việc 2D, một đường có thể bị gián đoạn và tiếp tục mà không ảnh hưởng đến cấu trúc tổng thể, nhưng trong 3D, điều này là nguy hiểm. Ngay cả một “không gian” nhân tạo nhỏ bé cũng có thể được giải thích sai bởi một hệ thống tự trị như là một kết thúc đường ray. Để giải quyết điều này, nhóm Keymakr đã phát triển một quy trình làm việc dựa trên nhiều dòng liên tục với việc loại bỏ trùng lặp tự động. Mỗi đánh dấu đường được vẽ như một đối tượng liên tục duy nhất, sau đó Segments.ai tự động loại bỏ chỉ những phân đoạn rơi vào các khu vực trùng lặp. Điều này ngăn chặn mô hình đọc trùng lặp như sự phá vỡ cấu trúc, cải thiện đáng kể tính nhất quán “Trong 3D, bạn không thể đủ khả năng để có những khoảng trống ngẫu nhiên.Một lần phá vỡ duy nhất có thể làm biến dạng hình học của toàn bộ cảnh và gây nhầm lẫn cho một hệ thống tự trị.Mục tiêu của chúng tôi là tạo ra một quy trình làm việc mà sự liên tục được đảm bảo bởi thiết kế, không để lại cho sự ngẫu nhiên”, – Zoia Boiko, Thủ tướng tại Keymakr. “Trong 3D, bạn không thể đủ khả năng để có những khoảng trống ngẫu nhiên.Một lần phá vỡ duy nhất có thể làm biến dạng hình học của toàn bộ cảnh và gây nhầm lẫn cho một hệ thống tự trị.Mục tiêu của chúng tôi là tạo ra một quy trình làm việc mà sự liên tục được đảm bảo bởi thiết kế, không để lại cho sự ngẫu nhiên”, – Zoia Boiko, Thủ tướng tại Keymakr. Quá trình này được tăng cường hơn nữa bằng cách làm việc bên trong một cảnh 3D tổng hợp bằng cách sử dụng chế độ pha trộn của Segments.ai. Thay vì hàng ngàn khung bị mất kết nối, các nhà ghi chú làm việc với một đại diện thống nhất, dày đặc của toàn bộ tuyến đường, hoàn chỉnh với các cạnh, chia rẽ, sáp nhập, rào cản, dấu hiệu và hàng rào bảo vệ. Sau khi xây dựng “thiết kế” toàn cầu của ghi chú trong chế độ hợp nhất, các nhà khai thác đã chuyển trở lại chỉnh sửa ở cấp khung chỉ để tinh chỉnh các trùng lặp, mà không thay đổi hình học cơ bản. Điều này giữ cho bộ dữ liệu nhỏ gọn và tránh các lỗi phổ biến trong các chỉnh sửa đa khung rộng lớn. Tất cả các trường hợp từ Keymakr và Segments.ai có thể được xem là ví dụ về một phòng thí nghiệm chung nơi công nghệ phát triển song song với chuyên môn của con người. Trong khi nhãn 3D thường được coi là một quá trình hoàn toàn kỹ thuật, trong thực tế, nó phản ánh một cái gì đó sâu sắc hơn nhiều, dạy máy móc hiểu thế giới thực. Mỗi đám mây điểm nắm bắt một mảnh của thực tế, và đó là người vận hành con người xác định những gì có ý nghĩa, những gì là tiếng ồn, và những gì thực sự tồn tại trong cảnh. Cùng nhau, những trường hợp này cho thấy rằng tương lai của công việc dữ liệu 3D nằm trong một mô hình con người trong vòng tròn, nơi mọi người hướng dẫn hệ thống, định hình các công cụ thông qua những thách thức thực tế, và cuối cùng đảm bảo độ tin cậy, độ chính xác