Как устроена разметка облаков точек LiDAR?
Разметка облака точек — это процесс добавления смысловой информации к набору координат: аннотатор выделяет объекты объёмными фигурами, присваивает точкам классы или отслеживает один и тот же объект в последовательности сканов. В отличие от плоского изображения, разметчик работает с трёхмерной сценой, которую нужно вращать и рассматривать с разных ракурсов, чтобы верно оценить границы и положение объекта.
Специализированные инструменты для 3D-разметки показывают облако точек в виде интерактивной сцены: аннотатор перемещается вокруг неё, приближает нужный участок и строит разметку, опираясь на плотность точек, а иногда — на синхронизированный кадр камеры рядом для дополнительного визуального контекста.
Прежде чем приступить к самой разметке, команда фиксирует гайдлайн — документ с классами объектов, правилами построения фигур и примерами сложных случаев. Без единого гайдлайна разные аннотаторы будут по-разному трактовать границы разреженных или частично перекрытых объектов, что снизит согласованность итогового датасета.
Гайдлайн для LiDAR-проекта обычно фиксирует не только список классов, но и минимальное число точек, при котором объект вообще стоит размечать: слишком разреженное скопление точек на большом расстоянии от сенсора аннотатор пропускает, потому что уверенно определить границы такого объекта невозможно даже эксперту.
Что такое 3D bounding box (кубоид) в разметке LiDAR?
3D bounding box, или кубоид, — это объёмная прямоугольная фигура вокруг объекта в облаке точек, заданная координатами центра, длиной, шириной, высотой и углом поворота вокруг вертикальной оси. В отличие от плоской рамки на фотографии, кубоид передаёт не только положение объекта, но и его реальные габариты и ориентацию в пространстве.
Построить точный кубоид сложнее, чем прямоугольник на фотографии: аннотатор должен подобрать все шесть параметров фигуры так, чтобы она плотно облегала точки объекта, при этом сама разметка нередко строится по неполному облаку — лидар «видит» только ближнюю к сенсору сторону машины или человека, а невидимую часть аннотатор достраивает по опыту и логике формы объекта.
Для типовых классов объектов — легковой автомобиль, грузовик, пешеход — команды заранее знают ожидаемый диапазон габаритов и используют его как ориентир, чтобы достроить скрытую сторону кубоида более уверенно. Кадр синхронизированной камеры рядом с обзором облака точек часто помогает аннотатору быстрее опознать класс объекта и понять его реальную ориентацию, даже когда сама точечная геометрия неоднозначна.
Как выполняется сегментация облака точек?
Сегментация облака точек — это присвоение класса каждой отдельной точке: дорожное полотно, растительность, здание, транспортное средство, пешеход. В отличие от кубоида, который описывает объект целиком одной фигурой, посегментная (point-wise) разметка даёт точный контур поверхности и подходит для задач, где важна форма объекта, а не только его положение.
Point-wise сегментация заметно трудоёмче построения кубоидов, потому что решение принимается для каждой точки отдельно, а плотное облако может содержать десятки и сотни тысяч точек на один скан. Чтобы ускорить процесс, инструменты разметки позволяют выделять сразу группу точек кистью или заливкой по связности, а не кликать по каждой точке вручную.
Сегментацию облака точек также делят на семантическую, где важен только класс поверхности, и instance-сегментацию, которая дополнительно различает каждый отдельный экземпляр объекта — например, отдельно каждую машину в плотном потоке, а не единую метку «транспорт» на весь ряд. Выбор между ними зависит от того, нужно ли модели считать и отслеживать объекты по отдельности.
Как размечают трекинг объектов между сканами облака точек?
Трекинг в 3D — это сопровождение одного и того же объекта через последовательность сканов облака точек с сохранением общего идентификатора: аннотатор или алгоритм предразметки связывает кубоид объекта на кадре N с его же кубоидом на кадре N+1, добавляя траекторию и скорость движения. Задача усложняется, если объект временно скрывается за другим препятствием.
Трекинг в облаке точек опирается на непрерывность движения: положение объекта на соседних сканах обычно меняется предсказуемо, поэтому алгоритмы предразметки предлагают вероятное совпадение кубоидов между кадрами, а аннотатор проверяет и поправляет разметку там, где траектория выглядит нелогично — например, после резкого манёвра или временного перекрытия объекта.
Результат трекинга — не просто набор отдельных кубоидов, а траектория с историей: по последовательным положениям объекта можно вычислить его скорость и направление движения, что даёт модели дополнительный сигнал помимо статичной геометрии одного скана. Именно эти траектории затем используют, чтобы обучить модель прогнозировать, куда объект переместится в следующий момент времени.
Чем 3D-разметка LiDAR сложнее разметки изображений?
3D-разметка сложнее плоской по трём причинам: аннотатору нужно работать с дополнительным измерением и вращать сцену, чтобы верно оценить границы объекта; облако точек часто неполное и неравномерное по плотности, в отличие от каждого пикселя фотографии; а построение фигуры требует подбора нескольких параметров сразу — координат, габаритов и угла поворота — вместо одной рамки на плоскости.
Дополнительная сложность — в самой природе лазерного сканирования: чем дальше объект от сенсора, тем меньше точек на него приходится, поэтому один и тот же класс объекта на разной дистанции размечают с очень разной плотностью исходных данных. Это требует от аннотатора больше опыта и делает 3D-разметку заметно медленнее в пересчёте на один объект по сравнению с разметкой изображений.
Из-за этой трудоёмкости для проектов LiDAR особенно ценят auto-labeling — предварительную автоматическую разметку алгоритмом, которую человек затем проверяет и правит, а не строит с нуля. Такой подход сокращает время на типовые, легко распознаваемые объекты и оставляет аннотатору больше времени на сложные и неоднозначные случаи, которые действительно требуют экспертной оценки.
Какими инструментами размечают LiDAR и как проверяют качество?
3D-разметку выполняют в специализированных инструментах с поддержкой облака точек — они позволяют вращать сцену, синхронизировать её с кадром камеры и предлагать черновую разметку через auto-labeling. Качество проверяют не визуально, а численно — через метрику 3D IoU, которая показывает, насколько размеченная фигура пересекается с эталонной, а спорные объекты размечают несколько аннотаторов для консенсуса.
Помимо самой метрики пересечения, в контроль качества 3D-разметки входит проверка согласованности между кадрами при трекинге — резкая смена размеров или положения одного и того же объекта от скана к скану обычно указывает на ошибку разметчика, а не на реальное поведение объекта. Как именно устроен полный цикл проекта разметки LiDAR под конкретную модель — от брифа до промышленного объёма — можно посмотреть на странице услуги разметки LiDAR и 3D облаков точек.