数据标注案例分享:车辆前置摄像头数据采集标注项目丨曼孚科技

?在自动驾驶技术中,感知是最基础的部分,没有对车辆周围三维环境的定量感知,就犹如人没有了眼睛,无人驾驶的决策系统就无法正常工作。

与其他应用场景相比,自动驾驶的应用场景相对复杂,尤其面对复杂多变的路况环境,感知技术的突破需要依赖相应的数据采集标注项目的支持。

一.项目背景

车辆前置道路信息采集主要解决两个个关键需求:

1. 障碍物的距离信息;2. 相对速度向量。

通过对障碍物的连续追踪,根据距离的变化和时间间隔得到相对速度信息,以满足自动驾驶相关业务的需求。

多城市多道路,会带来不同的路况,信号灯种类,人流和车流情况变化,多天气数据会影响图像识别精度。

二.项目方案

☆激光雷达+毫米波雷达+单目摄像头。

通过激光雷达采集点云数据,生成点云连续帧数据。在点云中标注每个障碍物的位置、标签、ID。激光数据可以精确测量障碍物距离本身的距离信息,同时通过前后帧的同ID车辆位置变化,计算出障碍物相对速度向量信息。

通过毫米波雷达,同样可以获得周围环境的点云数据,然后通过对连续帧的标注取得距离和相对速度信息。

三.采集方案

☆采集数据+既有数据收集。

对于激光、毫米雷达波和单目摄像头数据,需要采集新数据。

现有的行车记录仪数据收集,可以收集多城市,多道路,多天气下的数据,按照需求的比例分布。然后根据单目测距的方式进行标注和结果导出。行车记录仪收集的数据可以作为单目摄像头的算法验证。

四.标注规范

☆标注顺序:

从正前方开始找物体——在3D上标注并调框(脑补大小和方向)——在出现的其他方位里标注对应物——选择类型、状态、可见度——顺时针回到正前方。

☆标注对象:车、人、物

-乘用车(设计用来载人的车辆)

-卡车(设计用来拉货的车辆,包括小型皮卡车)

-卡车头

-拖斗(无论有没有被拖车连接都要标注,如:油罐,集装箱)

-巴士(10人以上载客巴士)

-摩托车(有人)

-摩托车(无人)

-自行车(有人)

-自行车(无人)

-自行车架

-集装箱

-其他交通工具(除以上类型车辆、车上有车的情况)

-成年人

-未成年人

-婴儿车

-轮椅

-动物

-交通锥桶

-临时路障

-临时交通标志/路标

-可推拉物体

-杂物和垃圾

-带物体的行人

☆属性:

-3D可见度

0%-25%

26%-50%

51%-75%

76%-100%

☆车辆状态:

1)停放(长时间停放,没有即将运动的趋势)。

2)停止(如等红灯,随时有可能移动的车辆)。

3)运动(正在移动的车辆)。

☆特殊规则:

框体和脑补:

1)紧致贴合扫描完整的边缘,不完整的边缘需要脑补。

2)如果原始点云只扫描到物体的一部分,需要脑补出合理的尺寸。

3)当点阵不完整,框体应贴合离采集车最近的一侧。

4)框体不允许悬空,或是陷入地面。

5)框体不包括车的后视镜、天线。

3D标注范围:

1)可行驶区域 120米(采集车可以开到的区域,人行道)。

2)不可行驶区域 90米(被墙体隔离的停车场等)。

标注原则:

1)任何可能危及采集车行驶安全的物体都要标注。

最小3D点阵:

1)大于等于5个点,并且只要可以确定该物体是我们需要标注的对象。

最小2D框体:

1)20x20 pixels(由于过远导致的,如果脑补超过20x20仍需要标注)。

2)截断(out of image)超过50%仍要标注(只要2D中出现一点点就要标注)。

五.标注对象类型详解

需要标注的对象有21种:

乘用小型车、卡车、卡车头、拖斗、巴士、摩托车、自行车、自行车架、集装箱、其他交通工具、成人行人、未成年行人、婴儿车、轮椅、动物、带物体的行人、杂物或垃圾、交通锥或交通杆、临时路障、临时交通标志/路标、可推拉的物体。

以下选取部分内容简单介绍:

1.乘用小型车

主要给个人使用的机动车。例如:轿车、两厢车、小货车、厢式货车、mini货车、SUV以及吉普车。

1)10座以上叫公交。

2)被设计主要用来拉货物的叫卡车。

2.卡车

主要设计用来拉货的大型机动车。

包括:皮卡、半挂车、卡车、牵引车。在牵引车后的拖斗需要被独立标为“拖斗”。

3.成人行人

注意:框需要包含行人的四肢、动作。例如坐着或站着的成人或小孩。

4.未成年行人

5.交通锥或交通杆

1)所有类型的交通锥标和交通杆。

2)方向朝着采集车,不用太精准。

6.可推拉的物体

物体被设计来让行人推或拉的。例如手推车、手推车、可推式垃圾箱或购物车。通常这些车不是被设计成载人的。

六.硬件平台

☆设备清单:

☆设备配置方案:

☆传感器参数:

激光雷达

GPS/IMU单元

七.软件平台

☆软件开发:

☆软件功能:

本系统由4个激光雷达、ECU融合器、同步时钟等设备组成。每个雷达对点云数据进行预处理、分割、特征提取处理后,将信号送入ECU融合器内进行数据融合、目标跟踪、分类等,最终输出目标序列。

原文地址:https://www.cnblogs.com/manfukeji/p/12706782.html

时间: 2024-11-05 19:40:08

数据标注案例分享:车辆前置摄像头数据采集标注项目丨曼孚科技的相关文章

标注案例分享:道路病害图片数据标注项目丨曼孚科技

无论是水泥路面还是沥青路面,在通车使用一段时间之后,都会出现各种损坏.变形及其它缺陷,这些统称为道路病害. 常见的病害类型有:龟裂.坑槽.车辙.松散.沉陷.桥头涵顶跳车.表面破损等等,这些道路病害的存在不仅会影响到道路的正常使用,还会增加潜在的交通隐患,影响行车安全. 因此,及时发现并处理道路病害是一件非常现实的需求.以往,发现道路病害主要依赖于人力巡检,随着人工智能计算机视觉技术的发展,目前已经实现通过机器自动检测识别各种道路病害. 不过机器本身是并不具备识别各种道路病害的能力,前期机器学习依

数据标注在新零售领域中的具体应用丨曼孚科技

零售业是劳动密集型行业,其中收银结算成本在总成本中占据相当比重. 随着深度学习发展,借助图像识别技术实现零售行业的降本增效已是大势所趋.? 目前主要流行的一种智能货柜解决方案是"视觉识别解决方案",即以图像识别为技术核心,摄像头.主板为硬件核心,对目标产品进行目标检测和分类,实现自动识别与结算,提升购物体验与节省人力成本. 目前,此类解决方案已经在部分地区开始商用.然而,在实际应用的过程中,部分问题也开始逐渐暴露,核心点集中于物品的识别准确率上. 智能货柜售卖的商品最常见的是饮料和盒装

数据安全,安防数据标注行业的核心命脉丨曼孚科技

在人工智能迅猛发展的今天,我们正在享受着智能安防带来的安全感. 智能安防除了可以实时监测正在发生的各种状况以外,还可以对内容进行分析预测,提取其中关键信息(如车牌.人脸.动作等),起到"防患于未然"的作用. 在当下AI行业普遍遭遇"落地难"的大背景下,智能安防可谓是人工智能落地应用的典型范例,为其他行业的AI场景化落地应用提供了实质性的参考. 然而,与其他行业更注重模型与数据质量不同,智能安防领域更加注重数据的安全性,尤其是标注数据的安全性. 作为人工智能行业的基础

破局自动驾驶落地难,数据标注行业变革是关键丨曼孚科技

随着过去几年自动驾驶"风口"兴起,越来越多的资本与研发力量投入到自动驾驶领域. 相关机构预测,半自动驾驶和全自动驾驶汽车未来几十年的市场潜力巨大.到2035年,仅中国就将有约860万辆自动驾驶汽车,其中约340万辆为全自动无人驾驶,520万辆为半自动驾驶. 不过,自动驾驶是一个相当复杂的工程系统,需要众多技术的融合与精度配合,且不可能依赖资本的力量在短时间内迅速爆发,自动驾驶商业化还面临方方面面的挑战.所以一直以来,自动驾驶给人的感觉都是"热度很高但距离很远". 自

数据标注,自动驾驶汽车的新“引擎”丨曼孚科技

伴随着计算机视觉技术的日臻成熟,出行生态不断智能化,这其中典型的应用场景就是汽车自动驾驶. 1.汽车自动驾驶真的来了 2018年,世界上首个无人出租车正式上路.这是硅谷初创公司 Drive.ai 在美国得克萨斯州 Frisco 实现的第一批无人出租车出行. 国内领域,百度是汽车自动驾驶行业的佼佼者.今年11月30日,百度在广州开启了RoboTaxi的试运营服务,这是百度的自动驾驶出租车在长沙试运营后,又一个城市开始了自动驾驶汽车的试运营. 如果算上滴滴年底在上海推出自动驾驶出租车的计划,2019

破局AI落地难,数据标注行业需率先变革丨曼孚科技

?2019年,国内人工智能领域的投融资热情大幅降低,相当数量的AI企业彻底消失在了历史的长河中,“人工智能寒潮已至”甚至成为行业年度热词. 与前几年创业与投资热情齐头并进的盛况相比,近段时间的AI行业显然萧条了很多. 究其原因,“AI落地难”要负主要责任. 从自动化时代到智能化时代,人工智能创造的价值在不断增长.与此同时,业务场景的精细度与复杂度也在不断提升,为人工智能技术的落地带来一系列挑战. 以国内人工智能企业为例.目前国内几个较大的人工智能独角兽企业,商业化落地主要集中在金融.安防监控.手

人工智能数据标注这些年:从幕后到前台丨曼孚科技

"你了解人工智能行业吗?"? 10个人中可能有9个人会给出肯定的回答. "你了解数据标注行业吗?" 10个人中可能有9个人会茫然地摇头. 与处在聚光灯中心的人工智能科技公司不同,数据标注行业长期处于聚光灯之外的灰色地带,很长一段时间内都是被边缘化乃至低视的一个存在. 不过,随着时代发展带来需求的改变,数据标注行业也在发生着日新月异的变化,开始从幕后走向前台. 一.幕后:粗放与混乱交织 数据标注行业里流传着这样的一段话:"有多少智能,就有多少人工"

数据标注在无人机领域中的具体应用丨曼孚科技

随着AI技术在无人机领域的大规模应用,无人机开始变得越来越智能化. 不仅可以做到实时跟踪锁定拍摄,实时处理目标信息,还可以做到自动识别躲避障碍.? 这些动作的背后是无人机计算机视觉技术的突破. 计算机视觉技术,简单来说就是摄像头+传感器结合计算机模拟类似人眼与大脑的功能,来感知周围三维空间,进而识别物体.判断运动状态以及其他. 在无人机领域,计算机视觉技术主要解决两个问题.一个是距离感知,一个是目标检测. 距离感知,即实时感知周围环境,主要解决的是自动识别躲避障碍问题.空中环境虽然不如地面环境复

案例分享:数据库镜像故障转移失败

案例分享:数据库镜像故障转移失败 对于关键性数据库,我们配置了带有见证服务器的同步数据库镜像,来允许自动故障转移.一切运行正常,直到有一次数据中心的突然断电.数据库镜像执行了故障转移,但是运维反馈说应用程序挂起了.当我们手动切换回来,应用程序又正常工作.为什么应用程序没有也故障转移呢? 这是使用数据库镜像的合理的常见问题,像这样的生产应用失败,是因为在镜像部署后没有做故障转移测试.在失败的故障转移之后我们感到棘手. 为了避免生产应用停机,我们在测试环境复制了线上的镜像环境.在确认应用和数据库镜像