RESEARCH / FUTURE TECH

เผยแพร่ชุดข้อมูล MPO: ข้อมูลสแกนพาโนรามา 3 มิติสำหรับวิจัยการจำแนกประเภทสถานที่กลางแจ้ง

arXiv16 Apr 2026
1 min read
Key Takeaways
  • ชุดข้อมูลใหม่นี้ครอบคลุมทั้งข้อมูลที่เน้นความละเอียดสูงและข้อมูลจากการใช้งานจริงบนท้องถนน ช่วยสนับสนุนการพัฒนา AI ด้านสถานที่ได้อย่างรอบด้าน

ทำไมเรื่องนี้ถึงสำคัญ

การมีชุดข้อมูลมาตรฐานที่มีทั้งความละเอียดสูงและข้อมูลแบบเรียลไทม์ ช่วยให้นักวิจัยทั่วโลกสามารถพัฒนาระบบรับรู้ (Perception) ของรถยนต์ไร้คนขับและหุ่นยนต์กลางแจ้งได้แม่นยำขึ้น

คณะวิจัยได้นำเสนอชุดข้อมูล MPO สำหรับการจำแนกประเภทสถานที่กลางแจ้ง (Semantic Place Categorization) ซึ่งแบ่งออกเป็น 6 หมวดหมู่ ได้แก่ ป่า, ชายฝั่ง, ย่านที่พักอาศัย, พื้นที่เมือง, และที่จอดรถ (ในร่มและกลางแจ้ง)

ชุดข้อมูลประกอบด้วย 2 ส่วนสำคัญคือ: 1. ข้อมูลสแกนความละเอียดสูง (9 ล้านจุดต่อสแกน) จำนวน 650 ชุด พร้อมภาพสีที่สอดคล้องกัน และ 2. ข้อมูลสแกนแบบเรียลไทม์ความละเอียดต่ำ (7 หมื่นจุดต่อสแกน) จำนวน 34,200 ชุดที่เก็บรวบรวมขณะขับรถในเมืองฟุกุโอกะ ประเทศญี่ปุ่น ซึ่งชุดข้อมูลนี้เปิดให้สาธารณะนำไปใช้งานต่อเพื่อการวิจัยได้

สรุปประเด็นหลัก

ชุดข้อมูลแรกประกอบด้วยสแกน 3D พร้อมภาพสีและค่าการสะท้อนความละเอียดสูง 650 ชุด

ชุดข้อมูลที่สองเป็นสแกนจากการขับรถจริงกว่า 34,200 ชุดโดยใช้ Velodyne LiDAR

ผ่านการทดสอบประสิทธิภาพการจำแนกประเภทด้วยความแม่นยำสูงสุด 96.42%

นวัตกรรมและเทคโนโลยี

research

Multi-modal Panoramic 3D Outdoor Datasets

ชุดข้อมูล LiDAR และภาพสีที่เก็บรวบรวมในสภาพแวดล้อมที่หลากหลายเพื่อการจำแนกประเภทสถานที่

Developer Impact
นักพัฒนาโมเดล Machine Learning สามารถดาวน์โหลดชุดข้อมูลนี้ไปใช้ในการฝึกฝนระบบจดจำสถานที่หรือการทำ Semantic Segmentation สำหรับงานด้านหุ่นยนต์กลางแจ้ง
Keywords
#3d dataset #place categorization #lidar #outdoor navigation
Original Source

อ่านข้อมูลเพิ่มเติมจากแหล่งข่าวหลัก

arXiv