Zuerst visualisieren
Bevor sie annotieren, müssen AV-Teams ihre Daten erkunden und verstehen. Der Multi-Sensor-Viewer von Avala verarbeitet den gesamten AV-Sensorstack:MCAP-Wiedergabe
Laden Sie MCAP-Aufnahmen Ihrer Fahrzeugflotte hoch und spielen Sie alle Sensorstreams in einem synchronisierten Multi-Panel-Viewer mit 8 Paneltypen ab.
Rundumkamera + LiDAR
Betrachten Sie alle Rundumkameras neben LiDAR-Punktwolken mit automatischer kalibrierungsbewusster Projektion zur sensorübergreifenden Verifikation.
GPU-beschleunigtes 3D
Rendern Sie LiDAR-Punktwolken mit WebGPU-Beschleunigung und 6 Visualisierungsmodi: Neutral, Intensität, Regenbogen, Label, Panoptisch und Bildprojektion.
Zeitleisten-Navigation
Scrubben Sie durch Fahrtprotokolle, gehen Sie Bild für Bild durch und springen Sie zu bestimmten Zeitstempeln. Alle Panels bleiben über verschiedene Sensorraten hinweg synchronisiert.
Datentypen
Häufige Aufgaben
3D-Objekterkennung
Labeln Sie Fahrzeuge, Fußgänger, Radfahrer und statische Objekte mit 3D-Quadern in LiDAR-Punktwolken. Der 3D-Annotationseditor bietet Vogelperspektive, Perspektiv- und Seitenansichten für präzise Quaderplatzierung. Quader umfassen vollständige Position (x, y, z), Abmessungen (Länge, Breite, Höhe) und Richtung (Gierwinkel).Multi-Kamera-Projektion
Annotieren Sie 3D-Quader in der LiDAR-Ansicht und projizieren Sie diese automatisch auf Rundumkamerabilder zur visuellen Verifikation. Der Viewer unterstützt sowohl Pinhole- als auch Double-Sphere-Kameramodelle, sodass die Projektion mit Standard- und Fisheye-Objektiven funktioniert.Spur- und Straßenrandannotation
Verwenden Sie Polylinien-Werkzeuge, um Spurmarkierungen, Bordsteine und Straßenkanten in Kameraansichten nachzuzeichnen. Polylinien unterstützen verbundene Segmente mit Vertex-Bearbeitung und eignen sich für kurvige Spuren und komplexe Kreuzungen.Zeitliches Objekt-Tracking
Verfolgen Sie Objekte über Frames hinweg mit konsistenten IDs für Bewegungsvorhersage und Trajektorienprognosemodelle. Objekt-IDs bleiben über die Sequenzzeitleiste bestehen, und die Bild-für-Bild-Navigation des Viewers macht es einfach, die Tracking-Kontinuität zu verifizieren.Szenenklassifikation
Klassifizieren Sie Fahrbedingungen auf Szenenebene — Wetter (klar, regnerisch, neblig), Tageszeit (Tag, Dämmerung, Nacht), Straßentyp (Autobahn, städtisch, ländlich) und Verkehrsdichte. Klassifikationslabels gelten für das gesamte Bild und können mit Annotationen auf Objektebene kombiniert werden.Verwendete Avala-Funktionen
Beispiel-Pipeline
Erste Schritte
1
Ihre Fahrdaten hochladen
Erstellen Sie einen Datensatz mit dem Datentyp
mcap und laden Sie MCAP-Aufnahmen Ihrer Flotte hoch. Für große Datensätze verwenden Sie die Cloud-Speicher-Integration, um Ihren S3-Bucket direkt zu verbinden.2
Im Viewer erkunden
Öffnen Sie eine Aufnahme im Multi-Sensor-Viewer. Verifizieren Sie, dass Kamera-, LiDAR- und Transformationsdaten vorhanden sind. Prüfen Sie die Kalibrierung durch Aktivierung der LiDAR-zu-Kamera-Projektion.
3
Annotationsprojekt einrichten
Erstellen Sie ein Projekt mit 3D-Quader-Annotation, definieren Sie Ihre Label-Taxonomie (Fahrzeug, Fußgänger, Radfahrer usw.) und konfigurieren Sie die Qualitätskontrolleinstellungen.
4
Annotieren und prüfen
Ihr Team annotiert 3D-Quader mit Tracking-IDs. Reviewer verifizieren Annotationen mit Multi-Kamera-Projektion, um Tiefen- und Richtungsfehler zu erkennen.
5
Exportieren und trainieren
Exportieren Sie gelabelte Daten in Ihrem bevorzugten Format. Verwenden Sie das Python oder TypeScript SDK, um Exporte in Ihre Trainingspipeline zu integrieren.
Nächste Schritte
MCAP & ROS
Detaillierter Guide zur Vorbereitung und zum Upload von Multi-Sensor-Aufnahmen.
3D-Quader-Werkzeug
Wie Sie 3D-Quader im Punktwolkeneditor platzieren, anpassen und tracken.
Best Practices für Aufnahmen
Tipps für die Aufnahme von Daten, die gut visualisiert und annotiert werden können.
Qualitätskontrolle
Mehrstufige Prüf-Workflows für Produktionsannotation einrichten.