كيف تُوسِّم السحب النقطية ثلاثية الأبعاد
وسِّم بيانات الليدار والمسح التصويري بمجسمات ثلاثية الأبعاد موجَّهة. الصيغ، ومستوى التفصيل، ولماذا ينبغي أن يكون الدوران رباعيًّا، وكيف تقيس الاتفاق على مربع ثلاثي الأبعاد.
يعني توسيم سحابة نقطية وضع مربعات ثلاثية الأبعاد موجَّهة على بيانات متفرقة وغير منتظمة الأخذ، قد لا يتجاوز فيها الجسم البعيد بضع عشرات من العوائد. وليس الرسم هو الجزء الصعب، بل الإبقاء على تفاعلية العارض، وتمكين المُوسِّم من مراجعة عمله، واختيار تمثيل للدوران يصمد أمام الذهاب والإياب بين الصيغ.
الصيغ
| الصيغة | ملاحظات |
|---|---|
KITTI velodyne .bin | قيم float32 خام للمحاور x وy وz والشدة. لا ترويسة فيها، لذا يُفترض التخطيط |
| PCD | ascii وbinary وbinary_compressed (LZF) |
| PLY | ascii والترتيبان الثنائيان للبايتات كليهما |
| LAS | من 1.0 إلى 1.4 |
.xyz / .pts | x y z [r g b] في كل سطر |
| LAZ | LAS مضغوط. حوِّله أولًا: laszip -i scan.laz -o scan.las |
حلِّل الملفات على الخادم لا في المتصفح. فأربع صيغ تعني أربع مجموعات من أخطاء ترتيب البايتات وتخطيط السجلات، ومعناها أيضًا إعادة تحليل مسح من مليوني نقطة عند كل تحميل للصفحة.
الإبقاء على التفاعلية
المسح الخام أكبر من أن يُعرض عرضًا ساذجًا. ويجعله قابلًا للعمل أمران.
- مستوى التفصيل بالشجرة الثمانية. تُحمَّل النقاط بحسب المنطقة وبحسب المسافة إلى الكاميرا. وهذا مفعَّل افتراضيًّا في Potato (
lod: true). - حدٌّ أقصى للتخفيف (
max_points). عامِله بوصفه إعدادًا للعارض لا إعدادًا للبيانات.
وقد سبَّب هذا التمييز مشكلة مرة، ويستحق التكرار. فقد كانت تسميات المقاطع لكل نقطة تُخزَّن سابقًا فهارس في السحابة المخفَّفة، فيعيد خفض max_points توجيه التسميات القائمة إلى نقاط مختلفة دون أي تنبيه. ينبغي أن تشير الفهارس دائمًا إلى الملف المصدر.
امنح المُوسِّمين فحصًا في بعدين
السيارة على بعد 40 مترًا بضع عشرات من العوائد. وأسئلة مثل هل المربع محكم، وهل طوله صحيح، وهل دُوِّر دورانًا صحيحًا يكاد يستحيل الجواب عنها من السحابة وحدها، وهي بديهية في صورة الكاميرا.
لذلك، حرِّر في ثلاثة أبعاد وتحقق في بعدين. وفِّر المعايرة لكل عنصر، وأسقط كل مربع على كل منظور كاميرا. ومن دونها لا تكون لتوسيم الأبعاد الثلاثة حلقة تغذية راجعة، فالمربع الذي يبدو صحيحًا من كاميرا المدار قد يبتعد أمتارًا على امتداد محور الرؤية دون أن ينبّه أي شيء إلى ذلك.
وتقدم اللوحات المتعامدة الشرائحية النصف الآخر. وهي ثلاثة منظورات موازية للمحاور للضبط الدقيق، تُدار بلوحة المفاتيح بالكامل.
خزِّن الدوران رباعيًّا
تخزن معظم الصيغ زاوية انعراج واحدة. أما تخزين رباعي كامل داخليًّا فيبدو إفراطًا في التعقيد إلى أن يفقد الذهاب والإياب شيئًا.
فهو يجعل استيراد KITTI بلا فقد، بما في ذلك ميل التركيب بين الكاميرا والليدار البالغ نحو 0.85 درجة، وهو ميل يُسقطه حقل الانعراج وحده دون إشعار. أما التصدير العائد إلى KITTI فلا بد أن يُسقط الميلان والدحرجة، والسلوك الصحيح هو الإبلاغ عن مقدار الاتجاه الذي أُسقط بدل تسطيح المربع بصمت.
اعبر هذه الفجوة في الشيفرة الخاصة بكل صيغة، وبصوت مسموع، لا في طبقة التخزين وبصمت.
الأطر هي موضع الخطأ
ثلاثة أعراف يسهل الخطأ فيها ويصعب ملاحظته.
- الإطار المرجعي مقابل إطار الكاميرا. استخدام تحويل الكاميرا حيث يُراد الإطار المرجعي المصحَّح يزيح كل مربع بمقدار خط الأساس المجسِّم لتلك الكاميرا. والإزاحة منهجية وتبلغ بضعة سنتيمترات، ويسهل أن تُحمل على أنها إهمال من المُوسِّمين.
- الموقع في KITTI هو الوجه السفلي لا المركز. وقراءته مركزًا تضع كل جسم تحت الأرض بمقدار نصف ارتفاعه.
- ترتيب الأبعاد وتعيين المحاور. لا يكتشف اختبار الذهاب والإياب خطأ دوران بمقدار 90 درجة هنا، لأن التحويل العكسي يفترض الافتراض الخاطئ نفسه فيتفق الاثنان. ولا يكتشفه إلا المقارنة بصيغة الزوايا في التنفيذ المرجعي نفسه.
قياس الاتفاق
استخدم التقاطع على الاتحاد ثلاثي الأبعاد الدقيق والمدوَّر. فالتقريب الموازي للمحاور مقبول في بيانات السيارات المستوية، لكنه خاطئ في مسوح الطائرات المسيَّرة واليدوية والداخلية، إذ يُبلغ عن اختلاف ناتج عن المقياس نفسه لا عن المُوسِّمين.
وكما في البعدين، افصل السؤال. هل وجد المُوسِّمون الأجسام نفسها، وهل سمّوها التسمية نفسها، وهل وضعوها في الموضع نفسه. راجع قياس الاتفاق على مربعات الإحاطة.
الإعداد
annotation_schemes:
- annotation_type: spatial_annotation
name: objects
description: "Put a 3D box around every vehicle and pedestrian."
source_field: point_cloud
calibration_field: calibration
tools: [cuboid_3d, point_3d]
labels:
- {name: car, color: "#FF6B6B", key_value: "1"}
- {name: pedestrian, color: "#FFD93D", key_value: "2"}
color_mode: height
lod: true
max_points: 400000
fit_box_height: trueمثال عملي: تصميم KITTI في المعرض.
متى تكون أداة أخرى هي الجواب الصحيح
Segments.ai وKognic وDeepen AI وSupervisely وXtreme1/BasicAI أدوات متخصصة، وهي أكثر تقدمًا في خطوط إنتاج القيادة الذاتية: مسارات عمل التسلسلات مع نشر المسارات، والرادار وتعدد الليدار، ونماذج الملاءمة التلقائية للمجسمات، وعند Deepen منتج كامل لمعايرة بلا أهداف. وتتاح Supervisely وXtreme1 للاستضافة الذاتية، وتتعامل Supervisely مع سحب أكبر بكثير.
يوسِّم Potato تسلسلات السحب النقطية بإطارات مفتاحية ويستكمل كل مربع بينها، ولا ينشر المسارات عبر المسح. اخترْه للأبعاد الثلاثة حين تريد إحصاءات موثوقية على التسميات المكانية، أو حين تكون الأبعاد الثلاثة جزءًا من دراسة متعددة الوسائط.
قراءات إضافية
تصاميم نموذجية
كل تصميم إعداد Potato جاهز للتشغيل يمكنك تنزيله وتشغيله.