Готовим размеченные данные для моделей автономного вождения и ADAS: сцены движения с камер, 3D-разметка облаков точек LiDAR, синхронизация нескольких сенсоров и трекинг объектов между кадрами. Данные хранятся на инфраструктуре в РФ, форматы выгрузки — PCD, LAS/LAZ и KITTI. Тестовую сцену размечаем бесплатно.
Модель детекции хорошо распознаёт типовые ситуации, но чаще ошибается на редких edge-case сценах: пешеход в темноте, дождь на объективе камеры, плотный перекрёсток с частично перекрытыми объектами. Таких сцен в обучающей выборке обычно мало, а разметка объектов на них требует высокой консистентности между кадрами — иначе модель учится на противоречивых примерах и переносит ошибку в реальную эксплуатацию.
Отдельная сложность — синхронизация нескольких сенсоров: если разметка камеры и LiDAR рассогласована по времени или координатам, модель sensor fusion получает шумный сигнал вместо чистого обучающего примера.
Мы закрываем весь спектр задач 3D и видео computer vision для беспилотного транспорта и робототехники — от простых 3D bounding box до попиксельной сегментации облака точек и синхронной разметки нескольких сенсоров. Под вашу модель и датасет подберём тип разметки и формат выгрузки.
Размеченные участники движения дают детектору примеры машин, пешеходов и знаков для слоя восприятия ADAS.
Объёмные рамки в облаке точек задают модели реальные габариты и дистанцию до объектов вокруг машины.
Поточечные классы отделяют препятствия, транспорт и фон — опора для планировщика траектории беспилотника.
Согласованные метки камеры и лидара дают модели непротиворечивый мультисенсорный пример без рассинхрона.
Идентификаторы и треки объектов между кадрами кормят модуль предсказания движения соседних участников.
Размеченная статика и инфраструктура собираются в HD-карту, по которой беспилотник уточняет положение.
Облако точек размечаем 3D bounding box или попиксельной сегментацией, а для sensor fusion синхронизируем разметку с кадром камеры по времени и координатам, чтобы модель получала согласованный мультисенсорный пример. Гайдлайн по классам объектов и целевой метрике 3D IoU согласуем на пилоте до старта основного объёма.
Видео с камер размечаем покадрово — детекция и трекинг участников движения с сохранением идентификатора объекта между кадрами, сегментация сложных сцен и разметка событий на таймлайне. Частоту выборки кадров и уровень детализации подбираем под задачу, чтобы не переплачивать за лишнюю точность там, где она не нужна модели.
Точность разметки контролируем метрикой 3D IoU и многоуровневой проверкой между разметчиками — целевой порог фиксируем на пилоте до старта основного объёма. Видео с городских улиц может содержать лица людей и номера автомобилей — это персональные данные по 152-ФЗ, поэтому по запросу заказчика такие фрагменты обезличиваем (блюр) до передачи в разметку.
Хранение и обработка идут на инфраструктуре в РФ, доступ к проекту ограничен по ролям, а по запросу подписываем NDA до передачи первых файлов — часть датасетов автономного транспорта относится к чувствительным корпоративным данным.
На проекте разметки тестового набора сцен для системы детекции пешеходов мы синхронизировали разметку камеры и LiDAR на пилотной выборке, согласовали гайдлайн по классам объектов и целевую метрику 3D IoU, а затем масштабировали разметку на промышленный объём с многоуровневым контролем качества между разметчиками.
Детекцию и классификацию участников движения в кадре, трекинг объектов между кадрами с сохранением идентификатора, а также разметку событий — начало и конец манёвра, взаимодействие объектов. Тип и детализацию разметки подбираем под архитектуру вашей модели и доступный бюджет кадров.
2D-рамка на видео ограничивает объект по плоскости кадра — только ширина и высота. 3D bounding box строится в облаке точек LiDAR и добавляет глубину, ориентацию и реальные габариты объекта в пространстве — это нужно, чтобы модель планирования движения понимала точное расстояние и траекторию.
Разметку камеры и облака точек связываем по времени и пространственным координатам, чтобы один и тот же объект получал согласованные метки на обоих сенсорах. Гайдлайн синхронизации и допустимую погрешность согласуем на пилотной сцене до старта основного объёма.
Видео с городских улиц может фиксировать лица людей и номера автомобилей — по 152-ФЗ это персональные данные. По запросу заказчика такие фрагменты обезличиваем (блюр лиц и номеров) до передачи в разметку, а хранение и обработка ведутся на инфраструктуре в РФ.
Да, одну тестовую сцену или короткий ролик с LiDAR размечаем бесплатно, чтобы согласовать гайдлайн по классам объектов и целевую метрику точности до старта основного объёма. Вилки цен по типам разметки и калькулятор — на странице цен.
Пришлите короткий ролик или сцену с LiDAR — вернёмся с гайдлайном по классам объектов, форматом выгрузки и сроком в течение одного рабочего дня.
Оставить заявку на пилот