ロボティクスと具現化AIデータ、LiDARアノテーションの誤り

なぜフレーム間の一貫性が重要なのか？

モデルはオブジェクトが持続することを学習しているからです。同じ車両が連続するフレームで少しずつ異なるボックスで囲まれると、トレーニング信号は車両が形を変えたと示し、追跡性能がフレームごとの指標では示されない形で劣化します。

各フレームが許容範囲内であっても、シーケンス全体が使い物にならないことがあります。これは、画像アノテーションの習慣でアノテーションされたロボティクスデータセットの特徴的な失敗です。

QAは画像アノテーションとどう異なるべきか？

シーケンスをレビューし、サンプルフレームをレビューしないでください。ランダムなフレームサンプルはドリフトにほとんど気づきません。ドリフトはフレーム間の関係の特性であり、個々のフレームの特性ではないからです。

サプライヤーがシーケンスをどのようにレビューし、一貫性の指標が何であるかを具体的に尋ねてください。回答がフレームごとの精度であれば、間違ったものを測定しています。

• シーケンスレベルのレビュー、フレームサンプリングではない
• 明確なフレーム間一貫性の指標
• オクルージョンの出入りの規則
• シーンから出入りするオブジェクトの処理

事前に確定すべき規則は何か？

主にオクルージョンです。オブジェクトが部分的に隠れ、数フレーム完全に隠れた後に再出現する場合に何が起こるか。オクルージョンを通してボックスを補間するか、ドロップして新しいトラックを開始するか。

どちらの回答も正当化できます。未指定の回答は、異なるアノテーターが1つのデータセット内で異なる選択をすることを意味し、どちらの選択よりも悪いです。

センサーエラーとアノテーションエラーをどう区別するか？

アノテーターを非難する前にキャリブレーションを確認することで。センサー間のキャリブレーションミスは、実際には誤ったデータの正しいアノテーションである見かけ上のアノテーションエラーを生じさせます。

両者を区別できないサプライヤーは、問題ではなかったデータを再アノテーションし続け、それに対して請求します。

LiDARアノテーションの品質で最も重要なことは何か？

フレーム間の一貫性です。連続するフレーム間でオブジェクトが少しずつ異なるラベルを付けられると、モデルはオブジェクトが形を変えると学習し、フレームごとの精度指標ではそれを検出できません。

ロボティクスアノテーションはどのように品質チェックすべきか？

個々のフレームをサンプリングするのではなく、シーケンス全体をレビューし、明確なフレーム間一貫性の指標を使用します。フレームサンプリングはドリフトにほとんど気づきません。

センサーキャリブレーションエラーとアノテーションエラーをどう区別するか？

まずキャリブレーションを確認してください。キャリブレーションミスは、誤ったデータの正しいアノテーションであるように見えるエラーを生じさせ、再アノテーションでは解決しません。