Лидар
Плотное облако точек для точного понимания трёхмерной сцены.
Наведите, чтобы увидеть разметкуНажмите, чтобы увидеть разметку
Заполните форму и мы свяжемся с вами в ближайшее время
Компьютерное зрение / 3D · Лидар · Объединение данных сенсоров
3D-разметка облаков точек лидара для беспилотных систем
Размечаем кадры лидара 3D-кубоидами: класс, габариты и ориентация каждого объекта, сквозной идентификатор объекта через всю последовательность. Сверяем облако точек с кадрами камер — модель восприятия получает согласованную картину сцены со всех сенсоров.
Примеры данных лидара, камер и радара
Одна городская среда — разные сенсоры. Посмотрите, как разметка дополняет облако точек, изображение с камеры и радиолокационные данные.
Камера
Изображения с камеры помогают распознать объекты с малым числом точек лидара.
Наведите, чтобы увидеть разметкуНажмите, чтобы увидеть разметку
Радар
Разреженные данные для обнаружения объектов на больших расстояниях.
Наведите, чтобы увидеть разметкуНажмите, чтобы увидеть разметку
Как выглядит задача 3D-разметки
Отправьте последовательность кадров лидара и калибровку сенсоров через API. Вернём кубоиды с классами, габаритами, углом поворота и идентификаторами объектов в каждом кадре — проверенные человеком.
"Разметьте кубоидами транспорт, пешеходов и велосипедистов во всех кадрах последовательности."
client.createLidarTask({
callback_url: "https://example.com/callback",
instruction:
"Разметьте объекты 3D-кубоидами.",
attachment: "sequences/run-047.json",
frames: 200,
sensors: ["lidar", "cam_front", "cam_rear"],
labels: [
"car", "truck",
"pedestrian", "cyclist"
],
with_tracking: true
});
Перетащите, чтобы повернуть · Колесо или два пальца — масштаб
Интерактивный пример недоступен. Показан статичный кадр.
Загружаем облако точек…
Перетаскивайте для вращения. Колесо или жест двумя пальцами — масштаб. Клавиши + и − — масштаб; стрелки — перемещение.
Контроль качества
Точная геометрия в каждом кадре
Для модели восприятия кубоид со смещённым центром или неверной ориентацией хуже, чем его отсутствие. Поэтому проверяем не факт разметки, а геометрию: габариты, ориентацию и стабильность треков.
Единая схема классов
До старта фиксируем классы, минимальные габариты и правила для перекрытий, усечённых объектов и границ сцены.
Контроль ориентации и треков
Проверяем угол поворота кубоида и непрерывность отслеживания объектов: объект не меняет класс и не «телепортируется» между кадрами.
Сверка с камерами
Спорные объекты проверяем по синхронным кадрам камер: где в облаке мало точек — далёкие и перекрытые объекты — решает изображение.
Выборочный замер геометрии
На контрольных кадрах партии замеряем степень пересечения кубоидов с эталонной разметкой и возвращаем партию на доработку при отклонениях.
Вопросы о 3D-разметке
Как устроены кубоиды, трекинг и слияние сенсоров — и что нужно подготовить, чтобы запустить разметку на ваших данных.
Что такое разметка 3D-кубоидами?
Это обозначение объектов в облаке точек лидара прямоугольными боксами с центром, габаритами и углом поворота. В отличие от 2D-рамок кубоид описывает объект в метрах и в трёх измерениях — модель учится оценивать реальное положение и размер.
Что такое объединение данных сенсоров в разметке данных?
Совмещение данных нескольких сенсоров — лидара, камер, радара — в одной задаче разметки. Разметчик видит облако точек и синхронные кадры камер: там, где точек мало, класс и границы объекта уточняются по изображению.
Какие данные вы принимаете?
Кадры в форматах .pcd, .las/.laz, .ply и .bin (KITTI), выгрузки из ROS-бэгов, плюс калибровка сенсоров и синхронные кадры камер, если они есть. Формат и структуру данных согласуем до старта пилота.
Как работает трекинг объектов между кадрами?
Объект получает уникальный идентификатор в кадре первого появления и сохраняет его до выхода из сцены. Если объект был скрыт и появился снова, идентификатор восстанавливается, а не создаётся заново — модель видит непрерывные траектории.
Как вы контролируете качество кубоидов?
Двухступенчатая проверка человеком плюс выборочный замер степени пересечения кубоидов с эталонной разметкой. Отдельно проверяем ориентацию, габариты по классам и непрерывность отслеживания объектов во всей последовательности.
В каком формате отдаёте разметку?
JSON со списком кубоидов по кадрам: центр, габариты, угол поворота, класс, идентификатор объекта и атрибуты. Схему согласуем с вашей платформой машинного обучения — совместимо с форматами KITTI и nuScenes.
Сколько времени занимает запуск?
Зависит от плотности сцен и длины последовательностей. Начинаем с пилота на 50–100 кадров: он проверяет инструкцию и точность, даёт оценку скорости и стоимости основной партии.
Нужна разметка облаков точек?
Опишите сенсоры, объём и целевой формат. Оценим задачу, соберём инструкцию и запустим пилот на ваших данных.