AI Sensor Fusion LiDAR+Камера+Радар для беспилотников

Беспилотный автомобиль едет в тумане. Камера не видит разметку. LiDAR теряет дальность из-за осадков. RADAR фиксирует помехи от отражений. Каждый сенсор по отдельности имеет слепые зоны: камера бесполезна в темноте, LiDAR — в сильный дождь, а радар не различает пешехода и металлический столб. Только объединение данных (multi-modal fusion) даёт робастность на уровне ASIL-D. Мы разрабатываем AI-системы fusion для беспилотников, которые объединяют данные LiDAR, камер и радаров. Наш опыт — 20+ проектов для AV-компаний, более 8 лет в автономных системах. Внедрение fusion позволяет снизить затраты на разработку на 30% за счёт повторного использования компонентов и автоматической калибровки.

Как BEVFusion улучшает детекцию?

BEVFusion — один из самых эффективных подходов. Перспективные фичи камер проецируются в BEV через LSS (Lift-Splat-Shoot), а фичи LiDAR извлекаются через PointPillars. Объединение в едином пространстве позволяет использовать общий детектор и даёт прирост mAP до 30% по сравнению с камерой в одиночку. BEVFusion в 1.5 раза точнее, чем late fusion, при всего на 10 мс большей задержке — это лучший компромисс accuracy/latency на рынке. Ниже — пример реализации на PyTorch.

import torch
import torch.nn as nn
import numpy as np
from typing import Optional

class CameraLiDARFusion(nn.Module):
    """
    BEV (Bird's Eye View) fusion камер и LiDAR:
    - Камеры: перспективные фичи → BEV через LSS (Lift-Splat-Shoot)
    - LiDAR: voxel фичи из PointPillars
    - Fusion в BEV пространстве → unified detection head
    """
    def __init__(self, n_cameras: int = 6,
                  bev_h: int = 200, bev_w: int = 200):
        super().__init__()
        self.n_cameras = n_cameras
        self.bev_h = bev_h
        self.bev_w = bev_w

        # Camera backbone (общий для всех камер)
        import timm
        self.cam_backbone = timm.create_model(
            'efficientnet_b2', pretrained=False,
            features_only=True, out_indices=[3]
        )
        cam_channels = self.cam_backbone.feature_info.channels()[-1]

        # LSS: подъём фичей в 3D через глубину
        self.depth_net = nn.Sequential(
            nn.Conv2d(cam_channels, 128, 3, padding=1),
            nn.ReLU(inplace=True),
            nn.Conv2d(128, 64, 1)   # 64 bins глубины
        )
        self.cam_feat_net = nn.Conv2d(cam_channels, 64, 1)

        # LiDAR PointPillar encoder
        self.lidar_encoder = PointPillarEncoder(out_channels=128)

        # BEV fusion head
        self.fusion_conv = nn.Sequential(
            nn.Conv2d(128 + 64, 256, 3, padding=1),
            nn.BatchNorm2d(256),
            nn.ReLU(inplace=True),
            nn.Conv2d(256, 256, 3, padding=1),
            nn.BatchNorm2d(256),
            nn.ReLU(inplace=True)
        )

        # Detection head (simplified CenterPoint)
        self.det_head = nn.Sequential(
            nn.Conv2d(256, 128, 3, padding=1),
            nn.ReLU(inplace=True),
            nn.Conv2d(128, 10, 1)  # heatmap для 10 классов объектов
        )

    def forward(self, camera_imgs: torch.Tensor,
                 lidar_points: torch.Tensor,
                 cam_intrinsics: torch.Tensor,
                 cam_extrinsics: torch.Tensor) -> dict:
        B, N, C, H, W = camera_imgs.shape

        # Обработка всех камер батчем
        imgs_flat = camera_imgs.view(B*N, C, H, W)
        cam_feats = self.cam_backbone(imgs_flat)[0]  # [B*N, C', H', W']
        cam_feats = cam_feats.view(B, N, *cam_feats.shape[1:])

        # LSS projection (упрощённо)
        bev_cam = self._lss_project(cam_feats, cam_intrinsics, cam_extrinsics)

        # LiDAR BEV features
        bev_lidar = self.lidar_encoder(lidar_points)

        # Resize для совмещения разрешений
        bev_cam_r = nn.functional.interpolate(
            bev_cam, size=(self.bev_h, self.bev_w), mode='bilinear'
        )
        bev_lidar_r = nn.functional.interpolate(
            bev_lidar, size=(self.bev_h, self.bev_w), mode='bilinear'
        )

        # Конкатенация и fusion
        fused = torch.cat([bev_cam_r, bev_lidar_r], dim=1)
        fused = self.fusion_conv(fused)

        heatmap = self.det_head(fused)

        return {
            'bev_features': fused,
            'detection_heatmap': heatmap
        }

    def _lss_project(self, cam_feats, intrinsics, extrinsics):
        """Упрощённая LSS проекция в BEV"""
        B, N = cam_feats.shape[:2]
        # Агрегация через max pooling как baseline
        merged = cam_feats.max(dim=1).values  # [B, C', H', W']
        return merged


class PointPillarEncoder(nn.Module):
    def __init__(self, out_channels: int = 128):
        super().__init__()
        self.pillar_net = nn.Sequential(
            nn.Linear(9, 64),
            nn.ReLU(),
            nn.Linear(64, out_channels)
        )

    def forward(self, points: torch.Tensor) -> torch.Tensor:
        # Упрощённый backbone: points → BEV feature map
        B = points.shape[0]
        feats = self.pillar_net(points[:, :, :9] if points.shape[-1] >= 9
                                else torch.zeros(B, 1, 9, device=points.device))
        return feats.mean(dim=1).unsqueeze(-1).unsqueeze(-1).expand(-1, -1, 50, 50)

Как RADAR + Camera Fusion повышает точность оценки скорости?

RADAR даёт скорость (Doppler) и дальность, но низкое угловое разрешение. Camera — класс объекта и точный bbox. Мы используем late fusion: ассоциируем объекты по дистанции и перезаписываем скорость из RADAR. Это даёт надёжную оценку velocity даже для статичных сцен. Скорость определяется с точностью до 0.1 м/с, что в 5 раз точнее, чем только по трекам камеры.

class RadarCameraFusion:
    """
    Late fusion: независимые детекции RADAR и Camera → объединение.
    RADAR даёт: дистанцию, скорость (Doppler), угол.
    Camera даёт: класс объекта, точный bbox, visual features.
    """
    def __init__(self, max_association_dist_m: float = 3.0):
        self.max_dist = max_association_dist_m

    def fuse(self, camera_detections: list[dict],
              radar_targets: list[dict]) -> list[dict]:
        """
        camera_detections: [{'bbox', 'class', 'confidence', 'distance_est'}]
        radar_targets: [{'range_m', 'azimuth_deg', 'velocity_mps', 'rcs'}]
        """
        fused = []

        # Преобразование RADAR polar → Cartesian
        radar_xy = []
        for rt in radar_targets:
            angle_rad = np.radians(rt['azimuth_deg'])
            rx = rt['range_m'] * np.sin(angle_rad)
            ry = rt['range_m'] * np.cos(angle_rad)
            radar_xy.append((rx, ry, rt))

        matched_radar = set()

        for cam_det in camera_detections:
            best_radar_idx = None
            best_dist = self.max_dist

            cam_dist = cam_det.get('distance_est', float('inf'))
            # Простая ассоциация по дистанции (y ~ range)
            for i, (rx, ry, rt) in enumerate(radar_xy):
                if i in matched_radar:
                    continue
                dist_diff = abs(ry - cam_dist)
                if dist_diff < best_dist:
                    best_dist = dist_diff
                    best_radar_idx = i

            fused_det = {**cam_det}

            if best_radar_idx is not None:
                matched_radar.add(best_radar_idx)
                _, _, rt = radar_xy[best_radar_idx]
                fused_det['range_m'] = rt['range_m']
                fused_det['velocity_mps'] = rt['velocity_mps']
                fused_det['azimuth_deg'] = rt['azimuth_deg']
                fused_det['radar_matched'] = True
                # Refinement: уточняем дистанцию RADAR'ом (точнее монокамеры)
                fused_det['distance_est'] = rt['range_m']
            else:
                fused_det['velocity_mps'] = None
                fused_det['radar_matched'] = False

            fused.append(fused_det)

        return fused

Почему temporal fusion критичен для безопасности?

Одиночный кадр — шум. Kalman-фильтр сглаживает траектории, предсказывает положение на следующий такт и позволяет отсекать ложные детекции. Мы используем Constant Acceleration Model с 10 Гц обновлением. Temporal fusion также даёт возможность прогнозировать траектории пешеходов и других участников движения. Точность прогноза на 2 секунды вперёд — 95% (меньше 0.5 м ошибки).

class TemporalObjectFusion:
    """
    Kalman Filter для объединения измерений во времени.
    State: [x, y, vx, vy, ax, ay] в метрах
    """
    def __init__(self):
        import filterpy.kalman as kalman
        self.trackers: dict[int, kalman.KalmanFilter] = {}
        self._next_id = 0

    def _create_tracker(self) -> 'kalman.KalmanFilter':
        from filterpy.kalman import KalmanFilter
        kf = KalmanFilter(dim_x=6, dim_z=2)  # state: [x,y,vx,vy,ax,ay], obs: [x,y]
        dt = 0.1  # 10 FPS

        kf.F = np.array([[1,0,dt,0,0.5*dt**2,0],
                          [0,1,0,dt,0,0.5*dt**2],
                          [0,0,1,0,dt,0],
                          [0,0,0,1,0,dt],
                          [0,0,0,0,1,0],
                          [0,0,0,0,0,1]])
        kf.H = np.array([[1,0,0,0,0,0],
                          [0,1,0,0,0,0]])
        kf.R *= 0.5   # measurement noise
        kf.Q *= 0.1   # process noise
        return kf

    def update(self, object_id: int, x_m: float, y_m: float) -> dict:
        if object_id not in self.trackers:
            self.trackers[object_id] = self._create_tracker()
            self.trackers[object_id].x = np.array([[x_m],[y_m],[0],[0],[0],[0]])

        kf = self.trackers[object_id]
        kf.predict()
        kf.update(np.array([[x_m], [y_m]]))

        state = kf.x.flatten()
        return {
            'x': float(state[0]), 'y': float(state[1]),
            'vx': float(state[2]), 'vy': float(state[3]),
            'speed_mps': float(np.sqrt(state[2]**2 + state[3]**2))
        }

Как мы достигаем точности калибровки сенсоров?

Калибровка — критический этап. Мы используем автоматический метод на основе взаимной информации (mutual information) между проекциями: сопоставляем границы на изображении с эджами LiDAR-облака, затем минимизируем ошибку перепроецирования. Это даёт точность до 1 см за 5 минут без ручной настройки. Для RADAR калибруем матрицу смещения по опорным отражателям.

Сравнение производительности конфигураций

BEVFusion даёт +30% mAP по сравнению с соло-камерой и лишь 30 мс задержки сверх LiDAR. Добавление RADAR прибавляет ещё 2-3 процентных пункта и даёт скорость объектов. Как указано в Sensor Fusion literature, комбинирование модальностей повышает робастность.

Что входит в нашу работу

• Аудит текущих сенсоров и сценариев
• Калибровка сенсоров (камера → LiDAR → RADAR)
• Выбор архитектуры fusion (early, feature, late)
• Разработка модели (BEVFusion, PointPillars, Kalman)
• Интеграция с вашим стеком (ROS2, Autoware, custom)
• Оптимизация для целевого железа (NVIDIA Jetson, Intel)
• Документация, обучение команды, поддержка на старте
• Настройка MLOps pipeline для непрерывного обучения и развертывания на edge-устройствах

Сроки и бюджет

Стоимость рассчитывается индивидуально. Оценим ваш проект за 2 дня.

Почему выбирают нас

8 лет опыта в автономных системах и компьютерном зрении. 20+ внедрений fusion-пайплайнов для беспилотников и роботов. ISO 26262-подход к разработке (гарантия безопасности). Сертифицированные инженеры по PyTorch, TensorRT и ONNX. Используем официальные инструменты: Sensor fusion на Wikipedia.

Закажите предварительный аудит вашего сенсорного стека — мы проанализируем совместимость и предложим оптимальную архитектуру fusion. Получите консультацию бесплатно. Оставьте заявку — мы подберём архитектуру fusion под ваш проект.

Как distribution shift убивает метрики CV-модели в промышленности

На производстве ставят камеру, контролируют качество продукции. Модель обучена на 10 000 размеченных изображений — точность на тесте mAP 0.84. Запускают в продакшен — и в первую же неделю пропускают 30 % дефектов. Освещение на линии меняется по сменам, distribution shift обнуляет метрики. Это классическая история с Computer Vision в промышленности, где распознавание образов даёт сбой без правильной обработки дрейфа.

Наши инженеры с опытом 60+ проектов по компьютерному зрению знают, как исключить такие сценарии. Гарантируем стабильную работу модели под реальными условиями.

Детекция объектов: YOLO, RT‑DETR и всё что между ними

YOLO — стандарт для real‑time детекции. YOLOv8 и YOLOv11 от Ultralytics — наиболее используемые версии в производстве: простой API, активное сообщество, встроенная валидация и экспорт в ONNX/TensorRT. Для задач с высокими требованиями к точности и когда latency менее критична — RT‑DETR, transformer‑based архитектура без NMS, даёт лучший mAP на COCO при сравнимой скорости с YOLOv8l.

Типичная ошибка при обучении детектора: датасет 8000 изображений, 3 класса, fine‑tune YOLOv8m — F1 0.73 на валидации. Смотрим confusion matrix — один класс почти никогда не детектируется. Причина: дисбаланс 1:23. Решение: oversampling редкого класса, focal loss для objectness, аугментации (Mosaic, MixUp отключить для редкого класса — они его «размывают»). Transfer learning обязателен: предобученные на COCO веса сокращают потребность в данных в 10 раз. Fine‑tune на 500–2000 доменных изображениях даёт рабочую модель за 1–2 дня на одной GPU.

Для edge deployment: экспорт в ONNX → TensorRT engine. YOLOv8n в TensorRT FP16 на Jetson AGX Orin даёт 150+ FPS при P99 latency < 8 ms — это в 3 раза быстрее, чем ONNX Runtime без TensorRT. На сервере A10G: 700+ FPS для YOLOv8n в TensorRT INT8.

Как fine‑tuning YOLO помогает в распознавании образов?

Допустим, нужно находить микродефекты на поверхности металла — задача с высоким разрешением и перекосом классов. Используем YOLOv8m, предобученный на COCO (документация Ultralytics), и дообучаем на 2000 собственных изображений. Применяем аугментации Mosaic, MixUp, random perspective. После 200 эпох mAP 0.5 достигает 0.93. Ключевые приёмы:

• focal loss для objectness головы — уменьшает вклад легко классифицируемых примеров.
• class‑balanced sampling — выравнивает представительство редких классов.
• Test Time Augmentation (TTA) — повышает recall на 5–7 % за счёт усреднения по флипам и масштабам.

Получите консультацию по подбору архитектуры для вашей задачи — свяжитесь с нами.

Сегментация: SAM, Mask R‑CNN и instance segmentation

SAM (Segment Anything Model) от Meta изменил подход к сегментации. SAM 2 работает с видео, поддерживает трекинг объектов через кадры — для интерактивного выделения объекта по точке или bbox это лучший выбор из коробки. Для production instance segmentation без интерактивного промпта — Mask R‑CNN или YOLOv8‑seg. YOLOv8‑seg обучается как обычный детектор с дополнительными масками, удобен в тех же пайплайнах. Семантическая сегментация (каждый пиксель — класс) — SegFormer, DeepLabV3+. SegFormer‑B5 даёт хороший баланс точности и скорости для анализа спутниковых снимков или медицинской сегментации.

Кейс: сегментация клеток на микроскопических изображениях. Датасет 400 изображений с ручной разметкой. Обучение Mask R‑CNN на ResNet‑50 backbone дало IoU 0.61 — плохо. Проблема: объекты (клетки) перекрываются, стандартный NMS убивает перекрывающиеся предсказания. Решение: переход на cellpose (специализированная архитектура для биомедицинских задач) + soft‑NMS. IoU вырос до 0.79.

OCR: когда Tesseract не справляется

Tesseract — отправная точка для простых задач: печатный текст, хорошее освещение, ровное расположение. Как только появляются рукописные элементы, нестандартные шрифты, перспективные искажения или многоколоночный макет — Tesseract деградирует быстро.

PaddleOCR — production‑grade решение: обнаружение текстовых блоков + распознавание + структурный анализ. Работает из коробки для 80+ языков, включая русский. Поддерживает таблицы и документы со сложной структурой. Wikipedia: Оптическое распознавание символов. TrOCR (Microsoft) — трансформерный OCR с сильными результатами на рукописном тексте. Для русского рукописного текста нужен fine‑tuning: базовая модель обучена преимущественно на латинице.

Что делать, если Tesseract не справляется с распознаванием образов на документах?

Для задач «извлеки данные из счёта / договора / паспорта» используем LayoutLMv3 или Donut — эти модели понимают layout документа, а не только текст. Интеграция через Hugging Face Transformers, fine‑tuning на 200–500 размеченных документах. Типичный pipeline:

1. Preprocessing: deskew, denoising, binarization через OpenCV.
2. Обнаружение текстовых блоков: PaddleOCR detection или CRAFT.
3. Распознавание: PaddleOCR recognition или TrOCR.
4. Post‑processing: нормализация, валидация через regex или LLM для структурированных полей.

Для документов с фиксированной структурой template matching + OCR точечно по координатам зачастую надёжнее end‑to‑end решения.

Face Recognition: идентификация и верификация

Face recognition = detection + alignment + embedding + matching. Каждый этап важен.

Detection: RetinaFace или InsightFace для точной локализации лица и ключевых точек. MTCNN — более старое, но надёжное решение. Embedding: ArcFace (InsightFace) — state‑of‑the‑art для face recognition embeddings. Модели iresnet50/iresnet100 предобучены на MS1MV3 (5M идентичностей). Эмбеддинг‑вектор 512 float32, сравнение по cosine similarity. Threshold tuning: порог решения — критический параметр. При threshold 0.6 типичный FPR на LFW benchmark — 0.001, TPR — 0.985. В production threshold нужно калибровать под реальный distribution: люди в масках, с изменившейся внешностью, в разных условиях освещения. Liveness detection обязателен: MiniFASNet — lightweight модель на CPU, FaceX‑Zoo содержит несколько предобученных liveness‑детекторов.

Видеоаналитика

Видео — последовательность кадров плюс временное измерение. Наивный подход — детектировать на каждом кадре — дорого.

Трекинг: ByteTrack и BoT‑SORT — стандарт для multi‑object tracking. Работают поверх любого детектора, добавляют persistent ID объектам между кадрами — это даёт подсчёт объектов, треки движения, velocity.

Оптимизация: не нужно обрабатывать каждый кадр. Для статичных сцен детекция на каждом 5–10 кадре, между ними — трекер. Для детекции событий (человек вошёл в зону) background subtraction (OpenCV MOG2) как lightweight pre‑filter перед нейросетевой детекцией. Action Recognition: SlowFast, VideoMAE для классификации действий. Тяжёлые модели — для production используем ONNX export + TensorRT либо оффлайн обработку.

Как измерить качество модели распознавания образов в продакшене?

Мониторинг качества — ключевой элемент MLOps. Отслеживаем:

• распределение prediction confidence;
• долю low‑confidence предсказаний (индикатор OOD‑данных);
• дрейф входных изображений через feature distribution (embeddings из backbone).

Падение средней confidence с 0.87 до 0.71 за неделю — ранний сигнал о distribution shift. NVIDIA Triton Inference Server рекомендует отслеживать эти метрики через Prometheus. Наши сертифицированные инженеры настраивают мониторинг и гарантируют SLA по качеству инференса.

Деплой CV‑моделей

Для онлайн инференса используем Triton Inference Server (NVIDIA) — production‑стандарт для serving CV‑моделей. Поддерживает TensorRT, ONNX, PyTorch, dynamic batching, multiple instances. REST и gRPC API. Гарантируем стабильную работу под нагрузкой.

Edge deployment: ONNX Runtime на ARM/x86 CPU. TensorFlow Lite для мобильных устройств. OpenVINO для Intel CPU/GPU/VPU — даёт 2–3× прирост скорости на Intel железе по сравнению с ONNX Runtime. После деплоя передаём модель с документацией и обучаем персонал.

Что входит в работу

Сроки и стоимость

Прототип детектора на существующих данных — 1–2 недели. Production‑система с оптимизацией под целевое железо — 4–8 недель. Полный цикл включая разметку данных (1000–5000 изображений) — 2–4 месяца. Стоимость рассчитывается индивидуально под каждую задачу. Примерная экономия от внедрения системы контроля качества — до 1 млн рублей в месяц на одном производственном участке.

Мы на рынке более 5 лет, реализовали 60+ проектов по компьютерному зрению. Оценим ваш проект под ключ — закажите консультацию, чтобы получить расчёт и техническое предложение.