Метод DAA: дроны как «разметчики» данных для беспилотных автомобилей — 11 сентября 2026 г. в 14:15:00.908
Метод DAA: дроны как «разметчики» данных для беспилотных автомобилей Исследователи из Purdue University предложили метод DAA (Drones as Annotators) — способ автоматически размечать 3D-объекты для обучения систем восприятия беспилотных автомобилей, используя дрон в качестве «глаза с воздуха». Исследование опубликовано на arXiv. Для обучения детекторов 3D-объектов (машин, пешеходов и т.д.) нужны огромные массивы данных с вручную размеченными трёхмерными рамками (bounding box) — это дорого, долго и требует экспертизы. Существующие автоматические методы разметки («auto-labeling») почти всегда опираются только на бортовой LiDAR машины, но взгляд с уровня земли даёт неполную картину. Объекты часто частично или полностью перекрыты другими машинами, зданиями, деревьями — а значит, их реальные границы и форма остаются неизвестны. Авторы исследования предлагают дополнить наземный LiDAR данными с квадрокоптера, летающего над перекрёстком с камерой, направленной вниз. С высоты птичьего полёта дрон видит машины почти без перекрытий и способен непрерывно отслеживать их траектории. DAA работает без обучения, в два этапа: 1. Совмещение координат — детекции дрона и сканы наземного LiDAR приводятся к единой системе координат карты, откуда получаются грубые 3D-рамки объектов. 2. Уточнение рамок по EM-подобной схеме — метод поочерёдно определяет, какие именно точки LiDAR относятся к конкретной машине, и уточняет границы рамки, опираясь одновременно на эти точки и на «воздушные» данные дрона. В результате LiDAR даёт точную метрическую 3D-геометрию, а дрон — устойчивое отслеживание объекта без перекрытий; вместе эти два источника компенсируют слабые стороны друг друга. Метод был протестирован на собственном датасете с городского перекрёстка, где одновременно работали дрон, оснащённая LiDAR машина и придорожный сенсорный блок. Всего было собрано более 400 тысяч размеченных 3D-рамок. DAA стабильно превзошёл существующие baseline-методы автоматической разметки, а детекторы LiDAR, обученные на его псевдо-метках, показали результаты, сопоставимые с обучением на разметке вручную (при умеренных порогах IoU). Дополнительно авторы показали, что метод без каких-либо перенастроек переносится с бортового LiDAR на стационарный придорожный и на объединённые облака точек нескольких агентов.