検出と位置特定
画像、動画、点群の物体を2Dボックスと3D直方体で特定します。
MCAP と ROS データ
LiDAR と点群
マルチカメラ映像
テレメトリと軌跡
マルチモーダル前提の設計
1つの同期シーン。すべての正解データ判断。
Physical AIモデルは孤立したフレームではなく、動きと文脈から学びます。Avalaはラベリングとレビューの間もカメラ、点群、軌跡を揃えたままにします。
セグメンテーション
対応する箇所では、対象を絞ったモデル支援で画像マスクと点群セグメンテーションを作成します。
トラッキングと分類
追跡物体と4Dポリラインをシーケンス全体で一貫させ、例外をレビューへ送ります。
ワークフロー制御
品質ゲートをパイプラインの中へ。
ラベルスキーマ、タスク固有のトレーニング、人によるレビュー、ステーション単位のコスト見積もりを備えた視覚的かつ条件付きのワークフローを構成します。対応するタスクでは分類コンセンサスや一部の空間コンセンサス分析も追加できます。
スキーマと分岐ロジックを定義
一部のボックスとマスクをモデル支援
作業を人によるレビューへ送る
QC完了をデータセット引き渡し条件に
リリースの証跡
シーケンス041 / リリース014
- アノテーター
- operator-27
- レビュー状態
- 承認済み
- QC履歴
- 06 → 07
追跡可能な品質
証跡をラベルに結び付けたままに。
アノテーターとレビュアーの帰属、承認・却下状態、3DトラックのQC履歴を追跡します。ネイティブ対応ワークフローでは、変更時のバージョンと生成元の来歴も保持できます。
Physical AIのための学習出力
Physical AIチームが実際に出荷するジオメトリ。
汎用アノテーションカタログのノイズを避け、対応する検出、セグメンテーション、ジオメトリ、シーケンス追跡のワークフローを確認できます。
検出と位置特定
画像フレームと3Dシーン内の物体を特定します。
セグメンテーション
カメラデータと点群データにクラスまたは物体領域を作成します。
シーンジオメトリ
タスク固有の境界とシーケンスジオメトリを描画します。
トラッキングと分類
対応するシーケンス全体で物体の同一性と属性を維持します。
代表的な1シーンをお持ちください
拡大する前に正解データのワークフローを実証する。
1つのセンサーサンプル、受入条件、レビュー経路、データセットの引き渡しをチームと共に設計します。