Uma introdução à anotação de dados em carros autônomos
As capacidades de veículos semi-autônomos ou autônomos são possíveis por meio de anotações. A anotação refere-se ao processo de identificação da área de interesse ou objeto de interesse em um vídeo ou imagem com caixas de delimitação, bem como a especificação de outros atributos que auxiliam os modelos de ML a reconhecer e compreender os objetos detectados pelos sensores do veículo.
Carros autônomos e semiautônomos possuem tecnologias que desempenham um papel importante na melhoria da experiência de dirigir. Isso ocorre pela presença de vários sensores de câmeras, sensores e outros dispositivos. Cada um desses componentes gera muita informação. Um exemplo poderia ser o do dispositivo ADAS, baseado na visão computacional. Ele utiliza um computador para adquirir uma compreensão profunda das imagens e, analisando diferentes cenários, alertar o motorista para tomar sua decisão com mais eficácia.
Como você define uma anotação?
As funções dos veículos semi-autônomos e autônomos são aprimoradas graças às anotações. A anotação refere-se à rotulagem da área de interesse ou objeto de interesse no vídeo ou imagem usando caixas de limite, bem como a definição de outras características para ajudar os modelos ML a reconhecer e entender os objetos detectados por sensores dentro do veículo. Análises como reconhecimento facial, detecção de movimento e mais exigem dados de alta qualidade anotados corretamente.
Se não houver uma anotação adequada da informação, a condução autónoma pode não ser eficaz ao ponto de ser quase impossível de conseguir. A precisão dos dados garante que a experiência sem motorista seja tranquila.
Por que a anotação existe?
Os veículos modernos geram grandes quantidades de dados devido à existência de múltiplas câmeras e sensores. Se esses conjuntos de dados não forem rotulados adequadamente para serem processados, eles não poderão ser usados em todo o seu potencial. Os conjuntos de dados devem ser utilizados como parte de um conjunto de avaliação para criar modelos de treinamento para veículos autônomos. Diferentes ferramentas de automação podem ajudar a rotular os dados porque rotulá-los manualmente levaria muito tempo.
Qual é o processo de anotação?
Para permitir que um veículo autônomo viaje de A a B, ele deve ser capaz de compreender perfeitamente o ambiente ao seu redor. Um cenário ideal para funções de direção que você gostaria de incorporar em um veículo pode exigir dois conjuntos de sensores idênticos. Um conjunto será o sensor definido no processo de teste enquanto o segundo conjunto de sensores é usado como um indicador.
Suponhamos que um carro percorra 3.000 milhas a uma velocidade média de 45 quilômetros por hora sob condições de condução variadas. Com esses números podemos determinar que o carro levou 6700 horas para percorrer a distância. Também poderia ter várias câmeras e LIDAR (Light Detection and Ranging) sistemas e Se assumirmos que eles gravaram a uma taxa mínima de 10 quadros por minuto durante a duração de 6700 horas, 240 milhões de quadros de dados poderiam ser gerados. Supondo que cada quadro possa conter, normalmente, quinze objetos, incluindo outros veículos e pedestres, semáforos e outros objetos, teremos mais de 3,5 bilhões de itens. Cada objeto deve ser marcado.
Simplesmente anotar não é suficiente. Deve ser preciso também. Na ausência disso, é impossível fazer comparações significativas entre os diferentes conjuntos de sensores para o automóvel. E se fôssemos obrigados a marcar manualmente todos os objetos?
Vamos tentar entender como funciona a anotação manual. A primeira etapa é navegar pelas varreduras do LIDAR e, em seguida, obter a filmagem da câmera apropriada. No caso de você ter um LIDAR com visão de 360 graus, seria uma configuração multicâmera que mostrará a filmagem de acordo com o que é conhecido como perspectiva LIDAR. Depois que as varreduras do LIDAR e as imagens da câmera forem coletadas, a próxima etapa é alinhar a perspectiva do LIDAR com a câmera. Se você souber quais objetos estão na área A segunda etapa é realizar a detecção de objetos e colocar limites 3D ao redor deles.
O simples ato de colocar caixas delimitadoras, bem como anotações generalizadas, como pedestres, carros ou sinais de parada, etc., não seriam suficientes. Há atributos para descrever com mais precisão o que você está vendo. Além disso, é essencial saber o significado de paradas, objetos em movimento, objetos parados e veículos de emergência, a classificação da iluminação, bem como que tipo de luzes de advertência os veículos de emergência incluem, etc. Esta deve ser uma lista abrangente dos objetos e seus atributos em que cada atributo precisa ser considerado por sua vez. Isso significa que estamos discutindo uma grande quantidade de informações.
Depois de concluir isso, você precisa ter certeza de que possui as anotações corretas. Outra pessoa é necessária para verificar se os dados que você anotou estão corretos. Isso garantirá que não haja espaço para erros. Se o processo de anotação for feito manualmente, com um tempo médio de 60 segundos por objeto, precisaríamos de 60 milhões de horas, ou apenas 6-849 anos civis para marcar todos os 3,6 bilhões de objetos que discutimos anteriormente. Portanto, anotar objetos manualmente é impossível.
Como a Automação pode ajudar?
No exemplo anterior, podemos concluir que não é provável adicionar anotações manualmente aos dados. Várias ferramentas de código aberto podem ajudar nessa tarefa. É possível detectar objetos automaticamente independentemente das perspectivas, baixa resolução ou iluminação fraca. Isso é possível graças aos modelos de aprendizado profundo. Quando se trata de automação, o primeiro passo será projetar a tarefa de anotação. Comece por nomear a tarefa, dando os rótulos e as características que lhe estão associadas. Depois de concluir isso, você estará pronto para criar o banco de dados de dados que precisa ser anotado.
Além do acima, existem inúmeros outros recursos que podem ser adicionados ao trabalho. A anotação pode ser realizada com caixas, polígonos e polilinhas. Diferentes tipos de anotação incluem o modo de interpolação, bem como a segmentação do modo de anotação de atributo e outros.
A automação reduz o tempo necessário para anotar os dados. A automação reduzirá em 65% o esforço e a fadiga mental.
Fechando
Para que isso aconteça, as ferramentas de automação discutidas anteriormente neste blog ajudarão a obter anotações em tamanho grande. Além disso, é fundamental contar com uma equipe especializada para poder facilitar a anotação de dados em grande escala. A eInfochips tem sido um parceiro de engenharia para muitas das empresas do mundo com experiência em todo o ciclo de vida do produto, desde o design do produto até a fase de engenharia de qualidade, bem como em toda a cadeia de valor, desde o dispositivo até o digital. Labelify também é especialista em IA e aprendizado de máquina. Ela trabalhou com uma variedade de empresas automotivas para fornecer soluções de alta qualidade. Para obter mais informações sobre nossa anotação de dados, soluções automotivas e experiência em IA/ML, entre em contato com nossos especialistas.
