AI Sensor Fusion LiDAR+Камера+Радар для безпілотників

Безпілотний автомобіль їде в тумані. Камера не бачить розмітку. LiDAR втрачає дальність через опади. RADAR фіксує перешкоди від відбиття. Кожен сенсор окремо має сліпі зони: камера непотрібна в темряві, LiDAR — у сильний дощ, а радар не розрізняє пішохода та металевий стовп. Тільки об'єднання даних (multi-modal fusion) дає робастність на рівні ASIL-D. Ми розробляємо AI-системи fusion для безпілотників, які об'єднують дані LiDAR, камер та радарів. Наш досвід — 20+ проектів для AV-компаній, понад 8 років в автономних системах. Впровадження fusion дозволяє знизити витрати на розробку на 30% за рахунок повторного використання компонентів та автоматичного калібрування.

Як BEVFusion покращує детекцію?

BEVFusion — один із найефективніших підходів. Перспективні фічі камер проектуються в BEV через LSS (Lift-Splat-Shoot), а фічі LiDAR вилучаються через PointPillars. Об'єднання в єдиному просторі дозволяє використовувати спільний детектор і дає приріст mAP до 30% порівняно з камерою поодинці. BEVFusion в 1.5 рази точніший, ніж late fusion, при всього на 10 мс більшій затримці — це найкращий компроміс accuracy/latency на ринку. Нижче — приклад реалізації 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 та LiDAR:
    - Камери: перспективні фічі → BEV через LSS (Lift-Splat-Shoot)
    - LiDAR: voxel фічі з PointPillars
    - Fusion у BEV просторі → 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 (спільний для всіх 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: підйом фічів у 3D через глибину
        self.depth_net = nn.Sequential(
            nn.Conv2d(cam_channels, 128, 3, padding=1),
            nn.ReLU(inplace=True),
            nn.Conv2d(128, 64, 1)   # 64 bins глибини
        )
        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 (спрощений 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 класів об'єктів
        )

    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

        # Обробка всіх 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 (спрощено)
        bev_cam = self._lss_project(cam_feats, cam_intrinsics, cam_extrinsics)

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

        # Resize для поєднання роздільностей
        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'
        )

        # Конкатенація та 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):
        """Спрощена LSS проекція в BEV"""
        B, N = cam_feats.shape[:2]
        # Агрегація через max pooling як 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:
        # Спрощений 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)

Як RADAR + Camera Fusion підвищує точність оцінки швидкості?

RADAR дає швидкість (Doppler) та дальність, але низьку кутову роздільність. Camera — клас об'єкта та точний bbox. Ми використовуємо late fusion: асоціюємо об'єкти за дистанцією та перезаписуємо швидкість з RADAR. Це дає надійну оцінку velocity навіть для статичних сцен. Швидкість визначається з точністю до 0.1 м/с, що в 5 разів точніше, ніж лише за треками камери.

class RadarCameraFusion:
    """
    Late fusion: незалежні детекції RADAR та Camera → об'єднання.
    RADAR дає: дистанцію, швидкість (Doppler), кут.
    Camera дає: клас об'єкта, точний 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 = []

        # Перетворення 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'))
            # Проста асоціація за дистанцією (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: уточнюємо дистанцію RADAR'ом (точніше монокамери)
                fused_det['distance_est'] = rt['range_m']
            else:
                fused_det['velocity_mps'] = None
                fused_det['radar_matched'] = False

            fused.append(fused_det)

        return fused

Чому temporal fusion критичний для безпеки?

Одиночний кадр — шум. Kalman-фільтр згладжує траєкторії, передбачає положення на наступний такт і дозволяє відсікати хибні детекції. Ми використовуємо Constant Acceleration Model з 10 Гц оновленням. Temporal fusion також дає можливість прогнозувати траєкторії пішоходів та інших учасників руху. Точність прогнозу на 2 секунди вперед — 95% (менше 0.5 м помилки).

class TemporalObjectFusion:
    """
    Kalman Filter для об'єднання вимірювань у часі.
    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))
        }

Як ми досягаємо точності калібрування сенсорів?

Калібрування — критичний етап. Ми використовуємо автоматичний метод на основі взаємної інформації (mutual information) між проекціями: зіставляємо межі на зображенні з еджами LiDAR-хмари, потім мінімізуємо помилку перепроектування. Це дає точність до 1 см за 5 хвилин без ручного налаштування. Для RADAR калібруємо матрицю зміщення по опорних відбивачах.

Порівняння продуктивності конфігурацій

BEVFusion дає +30% mAP порівняно з соло-камерою і лише 30 мс затримки понад LiDAR. Додавання RADAR додає ще 2-3 процентних пункти і дає швидкість об'єктів. Як зазначено в Sensor Fusion literature, комбінування модальностей підвищує робастність.

Що входить у нашу роботу

• Аудит поточних сенсорів та сценаріїв
• Калібрування сенсорів (камера → LiDAR → RADAR)
• Вибір архітектури fusion (early, feature, late)
• Розробка моделі (BEVFusion, PointPillars, Kalman)
• Інтеграція з вашим стеком (ROS2, Autoware, custom)
• Оптимізація для цільового заліза (NVIDIA Jetson, Intel)
• Документація, навчання команди, підтримка на старті
• Налаштування MLOps pipeline для безперервного навчання та розгортання на edge-пристроях

Терміни та бюджет

Вартість розраховується індивідуально. Оцінимо ваш проект за 2 дні.

Чому обирають нас

8 років досвіду в автономних системах та комп'ютерному зорі. 20+ впроваджень fusion-пайплайнів для безпілотників та роботів. ISO 26262-підхід до розробки (гарантія безпеки). Сертифіковані інженери з PyTorch, TensorRT та ONNX. Використовуємо офіційні інструменти: Sensor fusion на Wikipedia.

Замовте попередній аудит вашого сенсорного стеку — ми проаналізуємо сумісність та запропонуємо оптимальну архітектуру fusion. Отримайте консультацію безкоштовно. Залиште заявку — ми підберемо архітектуру fusion під ваш проект.

Як distribution shift вбиває метрики CV-моделі в промисловості

На виробництві ставлять камеру, контролюють якість продукції. Модель навчена на 10 000 розмічених зображень — точність на тесті mAP 0.84. Запускають у продакшен — і в перший же тиждень пропускають 30% дефектів. Освітлення на лінії змінюється по змінах, distribution shift обнуляє метрики. Це класична історія з Computer Vision у промисловості, де розпізнавання образів дає збій без правильної обробки дрейфу.

Наші інженери з досвідом 60+ проектів з комп'ютерного зору знають, як виключити такі сценарії. Гарантуємо стабільну роботу моделі в реальних умовах.

Які архітектури детекції об'єктів обрати: YOLO, RT‑DETR чи інші?

YOLO — стандарт для real‑time детекції. YOLOv8 та YOLOv11 від Ultralytics — найбільш використовувані версії у виробництві: простий API, активна спільнота, вбудована валідація та експорт в ONNX/TensorRT. Для задач з високими вимогами до точності та коли latency менш критична — RT‑DETR, transformer‑based архітектура без NMS, дає кращий mAP на COCO при порівнянній швидкості з YOLOv8l.

Типова помилка при навчанні детектора: датасет 8000 зображень, 3 класи, fine‑tune YOLOv8m — F1 0.73 на валідації. Дивимося confusion matrix — один клас майже ніколи не детектується. Причина: дисбаланс 1:23. Рішення: oversampling рідкісного класу, focal loss для objectness, аугментації (Mosaic, MixUp вимкнути для рідкісного класу — вони його «розмивають»). Transfer learning обов'язковий: передтреновані на COCO ваги скорочують потребу в даних у 10 разів. Fine‑tune на 500–2000 доменних зображеннях дає робочу модель за 1–2 дні на одній GPU.

Для edge deployment: експорт в ONNX → TensorRT engine. YOLOv8n в TensorRT FP16 на Jetson AGX Orin дає 150+ FPS при P99 latency < 8 ms — це в 3 рази швидше, ніж ONNX Runtime без TensorRT. На сервері A10G: 700+ FPS для YOLOv8n в TensorRT INT8.

Як fine‑tuning YOLO допомагає в розпізнаванні образів?

Припустимо, потрібно знаходити мікродефекти на поверхні металу — задача з високою роздільною здатністю та перекосом класів. Використовуємо YOLOv8m, передтренований на COCO (документація Ultralytics), і донавчаємо на 2000 власних зображень. Застосовуємо аугментації Mosaic, MixUp, random perspective. Після 200 епох mAP 0.5 досягає 0.93. Ключові прийоми:

• focal loss для objectness голови — зменшує внесок легко класифікованих прикладів.
• class‑balanced sampling — вирівнює представництво рідкісних класів.
• Test Time Augmentation (TTA) — підвищує recall на 5–7% за рахунок усереднення по фліпах та масштабах.

Отримайте консультацію з підбору архітектури для вашого завдання — зв'яжіться з нами.

Які архітектури сегментації обрати: SAM, Mask R‑CNN чи інші?

SAM (Segment Anything Model) від Meta змінив підхід до сегментації. SAM 2 працює з відео, підтримує трекінг об'єктів через кадри — для інтерактивного виділення об'єкта по точці або bbox це найкращий вибір з коробки. Для production instance segmentation без інтерактивного промпту — Mask R‑CNN або YOLOv8‑seg. YOLOv8‑seg навчається як звичайний детектор з додатковими масками, зручний у тих же пайплайнах. Семантична сегментація (кожен піксель — клас) — SegFormer, DeepLabV3+. SegFormer‑B5 дає хороший баланс точності та швидкості для аналізу супутникових знімків або медичної сегментації.

Кейс: сегментація клітин на мікроскопічних зображеннях. Датасет 400 зображень з ручною розміткою. Навчання Mask R‑CNN на ResNet‑50 backbone дало IoU 0.61 — погано. Проблема: об'єкти (клітини) перекриваються, стандартний NMS вбиває перекриваючі передбачення. Рішення: перехід на cellpose (спеціалізована архітектура для біомедичних задач) + soft‑NMS. IoU зріс до 0.79.

Коли Tesseract не справляється з OCR?

Tesseract — відправна точка для простих задач: друкований текст, хороше освітлення, рівне розташування. Як тільки з'являються рукописні елементи, нестандартні шрифти, перспективні спотворення або багатоколоночний макет — Tesseract деградує швидко.

PaddleOCR — production‑grade рішення: виявлення текстових блоків + розпізнавання + структурний аналіз. Працює з коробки для 80+ мов, включаючи українську. Підтримує таблиці та документи зі складною структурою. Wikipedia: Оптичне розпізнавання символів. TrOCR (Microsoft) — трансформерний OCR з сильними результатами на рукописному тексті. Для українського рукописного тексту потрібен fine‑tuning: базова модель навчена переважно на латиниці.

Що робити, якщо Tesseract не справляється з розпізнаванням образів на документах?

Для задач «витягни дані з рахунку / договору / паспорта» використовуємо LayoutLMv3 або Donut — ці моделі розуміють layout документа, а не тільки текст. Інтеграція через Hugging Face Transformers, fine‑tuning на 200–500 розмічених документах. Типовий pipeline:

1. Preprocessing: deskew, denoising, binarization через OpenCV.
2. Виявлення текстових блоків: PaddleOCR detection або CRAFT.
3. Розпізнавання: PaddleOCR recognition або TrOCR.
4. Post‑processing: нормалізація, валідація через regex або LLM для структурованих полів.

Для документів з фіксованою структурою template matching + OCR точково по координатах часто надійніше за end‑to‑end рішення.

Face Recognition: ідентифікація та верифікація

Face recognition = detection + alignment + embedding + matching. Кожен етап важливий.

Detection: RetinaFace або InsightFace для точної локалізації обличчя та ключових точок. MTCNN — старіше, але надійне рішення. Embedding: ArcFace (InsightFace) — state‑of‑the‑art для face recognition embeddings. Моделі iresnet50/iresnet100 передтреновані на MS1MV3 (5M ідентичностей). Ембеддинг‑вектор 512 float32, порівняння за cosine similarity. Threshold tuning: поріг рішення — критичний параметр. При threshold 0.6 типовий FPR на LFW benchmark — 0.001, TPR — 0.985. У production threshold потрібно калібрувати під реальний distribution: люди в масках, зі зміненою зовнішністю, в різних умовах освітлення. Liveness detection обов'язковий: MiniFASNet — lightweight модель на CPU, FaceX‑Zoo містить кілька передтренованих liveness‑детекторів.

Відеоаналітика

Відео — послідовність кадрів плюс часовий вимір. Наївний підхід — детектувати на кожному кадрі — дорого.

Трекінг: ByteTrack та BoT‑SORT — стандарт для multi‑object tracking. Працюють поверх будь-якого детектора, додають persistent ID об'єктам між кадрами — це дає підрахунок об'єктів, трекі руху, velocity.

Оптимізація: не потрібно обробляти кожен кадр. Для статичних сцен детекція на кожному 5–10 кадрі, між ними — трекер. Для детекції подій (людина увійшла в зону) background subtraction (OpenCV MOG2) як lightweight pre‑filter перед нейромережевою детекцією. Action Recognition: SlowFast, VideoMAE для класифікації дій. Важкі моделі — для production використовуємо ONNX export + TensorRT або офлайн обробку.

Як виміряти якість моделі розпізнавання образів у продакшені?

Моніторинг якості — ключовий елемент MLOps. Відстежуємо:

• розподіл prediction confidence;
• частку low‑confidence передбачень (індикатор OOD‑даних);
• дрейф вхідних зображень через feature distribution (embeddings з backbone).

Падіння середньої confidence з 0.87 до 0.71 за тиждень — ранній сигнал про distribution shift. NVIDIA Triton Inference Server рекомендує відстежувати ці метрики через Prometheus. Наші сертифіковані інженери налаштовують моніторинг і гарантують SLA по якості інференсу.

Деплой CV‑моделей

Для онлайн інференсу використовуємо Triton Inference Server (NVIDIA) — production‑стандарт для serving CV‑моделей. Підтримує TensorRT, ONNX, PyTorch, dynamic batching, multiple instances. REST та gRPC API. Гарантуємо стабільну роботу під навантаженням.

Edge deployment: ONNX Runtime на ARM/x86 CPU. TensorFlow Lite для мобільних пристроїв. OpenVINO для Intel CPU/GPU/VPU — дає 2–3× приріст швидкості на Intel залізі порівняно з ONNX Runtime. Після деплою передаємо модель з документацією та навчаємо персонал.

Що входить в роботу

Терміни та вартість

Прототип детектора на існуючих даних — 1–2 тижні. Production‑система з оптимізацією під цільове залізо — 4–8 тижнів. Повний цикл включаючи розмітку даних (1000–5000 зображень) — 2–4 місяці. Вартість розраховується індивідуально під кожну задачу. Ми на ринку більше 5 років, реалізували 60+ проектів з комп'ютерного зору. Оцінимо ваш проект під ключ — замовте консультацію, щоб отримати розрахунок та технічну пропозицію.