LiDAR 및 2D 주석을 활용한 철도 장면 이해의 혁신
Shaip의 LiDAR, 카메라 및 2D 데이터 주석 서비스가 AI 모델이 물체를 감지하고, 철도 환경을 이해하고, 자율 주행 인식을 개선하는 데 어떻게 도움이 되는지 알아보세요.
사업 개요
최신 철도 환경 인식 시스템은 일반적인 객체 라벨링 이상의 것을 요구합니다. 철도 환경에 특화된 맥락 정보, 정확한 기하학적 정보, 그리고 LiDAR 포인트 클라우드와 동기화된 카메라 영상 전반에 걸친 신뢰할 수 있는 센서 간 일관성이 필수적입니다.
이러한 요구 사항을 해결하기 위해 Shaip은 철도 인프라 장면을 다루는 LiDAR 철도 데이터 주석 프로젝트에 참여했습니다. 프로젝트 범위에는 장면당 5개의 동기화된 2D 참조 이미지를 기반으로 하는 LiDAR 포인트 클라우드 주석 작업이 포함되었으며, 필수 및 선택 항목을 포함하는 29개 클래스 분류 체계를 사용했습니다.
각 클래스의 속성입니다.
목표는 객체 탐지, 장면 이해, 선로 인식 및 인프라 해석을 위한 철도 인식 모델을 훈련하고 검증할 수 있는 구조화되고 품질 관리가 된 데이터 세트를 만드는 것이었습니다.
주요 통계
센서 설정
LiDAR 포인트 클라우드
분류
29개 철도 전용 클래스
품질 목표
≥99% 전체 주석 정확도
센서 간 일관성
≥99% LiDAR – 2D 정렬
도전
- LiDAR 및 2D 이미지 전반에 걸쳐 다중 모드 철도 장면을 일관되게 주석 처리하기
- 상세한 속성과 객체 관계를 가진 29개 클래스로 구성된 철도 관련 분류 체계 관리
- 3D 및 2D 주석 간의 센서 간 일관성 유지
- 선로 및 케이블과 같은 선형 구조물의 기하학적 정밀도 유지
- 시험 환경에서 클래스 레이블, 형상 및 속성에 대한 엄격한 정확도 기준을 충족합니다.
해법
샤이프는 프로젝트의 기술적 요구 사항에 맞춰 철도에 특화된 주석 워크플로우를 설계했습니다.
데이터 전략
LiDAR 포인트 클라우드 데이터와 LiDAR 프레임당 5개의 동기화된 2D 참조 이미지를 포함하는 멀티모달 주석 파이프라인을 정의했습니다.
어노테이션 프레임워크
객체 유형 및 장면 구조에 따라 여러 가지 주석 기법을 적용했습니다.
- 이산적인 체적 객체에 대한 3D 직육면체 주석
- 선형 철도 관련 구조물에 대한 3D 폴리라인 주석
- 이미지에서 객체 위치를 파악하기 위한 2D 바운딩 박스
- 불규칙한 객체 경계를 위한 2D 다각형
- 레일, 케이블 및 표식용 2D 폴리라인
- 방향 및 깊이 정보가 필요한 2D 뷰에서 3D 직육면체를 표현합니다.
철도 전용 분류 체계 설계
사람, 개인 소지품, 차량, 열차, 객차, 동물, 선로, 선로 전환기, 가공 전차선 기둥, 신호 기둥, 신호, 신호 교량, 완충 장치, 반사 테스트 객체 및 기타 철도 장면 관련 요소를 포괄하는 29개의 사전 정의된 클래스에 주석이 달려 있습니다.
속성이 풍부한 주석
필수 속성과 선택적 속성을 모두 캡처했습니다.
- 폐쇄 수준
- 상태 및 유형
- connectedTo를 통한 연결
- 철도변 및 선로 식별자
- 객체의 순서 및 방향
- 신호의 면, 방향 및 구조적 속성
신원 및 관계 무결성
모든 주석에 고유한 주석 ID가, 각 객체에 고유한 객체 ID(UUID 형식)가 부여되었으며, 센서 정보를 기반으로 양방향 연결 관계가 설정되었습니다.
정밀 규칙 및 품질 보증
다음과 같은 어노테이션 규칙을 구현했습니다.
- 2D 및 3D에서의 폐색 추정
- 높이 또는 너비가 25픽셀 이상인 객체에 대한 2D 라벨링 임계값
- 2D 공차 ±3픽셀
- 최대 10cm의 3D 공차
- 객체 방향 일관성을 위한 z축 회전 정렬
- 임계값 미달 출력에 대한 보정 루프가 있는 3계층 QA
프로젝트 범위
| 데이터셋 요소 | 스펙 |
|---|---|
| 기본 양식 | LiDAR 포인트 클라우드 데이터 |
| 참조 양식 | LiDAR 프레임당 5개의 동기화된 2D 이미지: 3개의 IR 이미지와 5개의 RGB 이미지 |
| 총 수업 수 | 29개의 철도 전용 클래스 |
| 3D 주석 유형 | 3D 직육면체, 3D 폴리라인 |
| 2D 주석 유형 | 2D 바운딩 박스, 2D 폴리곤, 2D 폴리라인, 3D 직육면체를 2D 뷰로 표현 |
| 파일럿 볼륨 | 2개의 시퀀스 |
| ID 표준 | UUID 기반 주석 ID 및 객체 ID |
| 정확도 목표 | 전체 정확도 ≥99%, 속성별 정확도 ≥99%, 센서 간 정확도 ≥99% |
클래스 커버리지 예시
| 카테고리 | 샘플 클래스 | 주석 유형 |
|---|---|---|
| 인간과 이동성 | 사람, 휠체어, 스쿠터, 자전거, 군중 | 2D BB / 4점 다각형 / 3D BB |
| 철도 자산 | 기차, 기차 앞부분, 객차, 선로, 스위치, 드래그슈 | 윤곽선 다각형/폴리라인/3D BB |
| 신호 및 가공선 | 신호, 신호기둥, 신호교, 현수선 기둥 | 2D BB / 외곽선 다각형 / 3D BB |
| 환경 및 기타 | 도로 차량, 동물, 동물 무리, 반사 테스트 물체, 연기, 불꽃 | 계급에 따라 다릅니다 |
결과
- LiDAR 및 이미지 데이터를 위한 철도 전용 다중 모드 주석 프레임워크를 구축했습니다.
- 속성 처리가 상세한 29개 등급의 철도 분류 체계를 정의했습니다.
- 주석 정확도, 속성 및 센서 간 일관성 전반에 걸쳐 99% 이상의 품질 기준을 설정합니다.
- 고신뢰도 철도 인식 모델 구축을 위한 시범 운영 준비가 완료된 기반을 마련했습니다.
전략적인 관점에서 이 프로젝트는 기하학적 형태, 객체 연속성 및 인프라 맥락이 중요한 철도 환경 전반에 걸쳐 장면 이해 능력을 강화한 AI 시스템을 구축하도록 고객을 포지셔닝하는 데 목적이 있습니다.
Shaip의 멀티모달 주석 접근 방식은 인지 모델 개발에 필요한 정밀도를 갖춘 고도로 전문화된 철도 데이터 세트를 구조화하는 데 도움이 되었습니다. 분류 체계의 깊이, 기하학적 정확도 및 센서 간 일관성에 대한 그들의 집중은 철도 AI 파이프라인을 위한 강력한 기반을 마련했습니다.
