Neural Automated Labeling

Im Zeitalter des automatisierten Fahrens ist die präzise Erkennung und Interpretation von Objekten und Verkehrsituationen essentiell. Dafür setzen Fahrzeughersteller eine Vielfalt von Sensoren ein wie Radar, Lidar und Kameras, aus deren Daten wichtige Umgebungsinformationen generiert werden, oft mit KI-Algorithmen. Zum Training dieser KI-Algorithmen müssen große Mengen an Sensordaten annotiert werden. Bei der Datenannotation werden relevante Sensorinformationen besonders markiert, damit die KI der automatisierten Fahrfunktion versteht, was sie verarbeiten soll. Die Annotation erfolgt über Labels, die oft noch manuell in den Datensatz eingefügt werden. Diese Tätigkeiten sind mit erheblichem Kosten- und Zeitaufwand verbunden und werden zu einer immer größeren Herausforderung.

Das neue Neural Automated Labeling von Bosch Engineering ermöglicht die effiziente und schnelle vollautomatisierte Annotation von Sensordaten in 3D. Bisher war das automatisierte Labeling auf 2D-Daten beschränkt, mithilfe moderner KI-Methoden generiert die Applikation durch Datenrekonstruktion nun auch präzise 3D-Labels für die zuverlässige Objekterkennung und -verfolgung. So entstehen qualitativ hochwertige Ground-Truth-Daten als Grundlage des Trainings und der Validierung von KI-Algorithmen für das automatisierte Fahren.

3D-Bounding Boxes / 3D-Labels automatisiert erstellen

Bosch Engineering arbeitet an einer vollautomatisierten 3D-Labeling-Lösung, die den Annotationsprozess revolutioniert. Der Fokus liegt dabei auf 3D-Bounding Boxes / 3D-Labels. 3D-Bounding Boxes sind Objekt umschließende Quader, mit deren Hilfe Objekte in Bildern oder Punktwolken exakt lokalisiert werden können. Anders als 2D-Labels, die lediglich Höhe und Breite erfassen, liefern sie auch Informationen über die Tiefe und Position eines Objekts im Raum.

Gerade im Kontext des automatisierten Fahrens ist diese zusätzliche räumliche Dimension entscheidend für eine präzise Umgebungserfassung, verbesserte Entscheidungsfindung und sichere Interaktion.

Je nach Kundenanforderung ermöglicht das Neural Automated Labeling auch die Datenselektion sowie die semantische Suche & Segmentierung.

Geringere Kosten, weniger Fehler, schnellere Ergebnisse

Mit dem Neural Automated Labeling von Bosch Engineering können auch große Datenmengen schnell, effizient und mit geringer Fehlerquote in der Cloud verarbeitet werden. Durch einen einfachen API-Zugang bietet es eine nahtlose Integration in die Software-Toolkette des Kunden.

Die drei Hauptvorteile:

Schnelleres Labeling und einfachere Skalierung bei hohen Datenmengen
Höhere Konsistenz und weniger Fehler im Label-Datensatz
Erhebliche Kostenreduktion: bei einem konkreten Anwendungsfall lag der Aufwand um den Faktor 4 niedriger als bei der manuellen Annotation