Sorties d’entraînement pour Physical AI

Une ground truth adaptée au modèle.

Transformez les données synchronisées de caméra, LiDAR et séquence en géométrie utile aux systèmes de perception : boîtes et masques 2D, cuboïdes 3D et labels de nuages de points, polylignes, classifications et objets suivis.

Demander une démo Explorer les sorties prises en charge

Apportez une scène représentative. Nous définirons la sortie, le circuit de révision et le format de livraison avant la production.

0142

Entrée de scène synchronisée

Schéma prêt

Vidéo multicaméraLiDAR et nuages de points

0087 / 0120

Contrat de sortie

Détection et localisation

Segmentation

Géométrie de scène

Suivi et classification

Données MCAP et ROS

LiDAR et nuages de points

Vidéo multicaméra

Télémétrie et trajectoires

Sorties d’entraînement pour Physical AI

Choisissez la sortie requise par votre boucle d’entraînement.

Sélectionnez une primitive disponible, puis configurez ses classes, attributs, périmètre d’annotation et circuit de révision pour la tâche du modèle.

Détection et localisation

Localisez les objets dans les images et les scènes 3D.

Boîtes englobantes 2D: Localisez les objets dans les images et les séquences vidéo.
Cuboïdes 3D: Capturez la position, les dimensions et l’orientation dans les scènes de nuages de points.

Segmentation

Créez des régions de classe ou d’objet dans les données caméra et les nuages de points.

Masques d’image: Créez des limites de classe ou d’objet au pixel près dans les données caméra.
Segmentation de nuages de points: Attribuez des classes sémantiques aux points des scènes 3D.

Géométrie de scène

Tracez les limites propres à la tâche et la géométrie séquentielle.

Polygones et polylignes: Tracez les voies, bordures, régions et autres géométries définies par la tâche.
Polylignes de séquence: Conservez la géométrie des polylignes 3D par image dans les séquences prises en charge.

Suivi et classification

Préservez l’identité et les attributs dans les séquences prises en charge.

Objets suivis: Maintenez l’identité des objets dans les images des séquences prises en charge.
Classifications: Ajoutez des labels et attributs au niveau de l’image, de l’objet ou de la piste.

Définir la tâche

Partez de la décision du modèle.

L’objectif d’entraînement détermine la représentation ground truth, et non l’inverse. Définissez la sortie selon vos capteurs, cas limites et contrat de livraison avant de passer à l’échelle.

Gardez visibles le contexte caméra, LiDAR, transformations et séquence lorsque le workflow le permet.
Définissez les règles de classes, la géométrie, les attributs et le périmètre image ou séquence avant la production.
Soumettez les sorties à une révision humaine et aux états d’acceptation avant publication ; ajoutez des analyses de consensus propres à la tâche lorsqu’elles sont prises en charge.

Ground truth connectée

Conçu pour la boucle qui suit l’annotation.

La ground truth prend de la valeur lorsqu’elle passe par la révision et rejoint un workflow de données d’entraînement versionnées.

Préserver le contexte de scène

Conservez ensemble les contextes caméra, LiDAR, télémétrie et jeu de données pour la tâche d’annotation.

Contrôler la qualité

Utilisez la révision humaine, l’attribution et les états d’acceptation ; ajoutez des analyses de consensus propres à la tâche lorsqu’elles sont prises en charge.

Publier les données d’entraînement

Intégrez les sorties approuvées à des workflows de jeux de données versionnés pour l’export et les travaux de modélisation en aval.

Cadrer le projet

Confiez-nous une scène difficile.

Nous associerons l’objectif d’entraînement à la géométrie ground truth, au workflow et au contrat de livraison.

Demander une démo