Ego ကင်မရာ – စက်ရုပ်သင်ယူမှုဒေတာစုဆောင်းမှုအတွက် ခေါင်းတွင်တပ်ဆင်ထားသော စတီရီယိုအမြင်အာရုံကိရိယာ
လူသား သရုပ်ပြဒေတာဖမ်းယူရန်အတွက် သီးသန့်တည်ဆောက်ထားသော ခေါင်းတွင်တပ်ဆင်ထားသော မှန်ဘီလူးကင်မရာမော်ဂျူး။ ၎င်းသည် ဟာ့ဒ်ဝဲဖြင့် ထပ်တူပြုလုပ်ထားသော၊ စက်ရုံတွင်ကြိုတင်ချိန်ညှိထားသော ကိုယ်ရည်ကိုယ်သွေးဗဟိုပြု အာရုံခံကိရိယာဒေတာကို ပေးပို့ပြီး တုပသင်ယူမှုနှင့် ပါဝင်သော AI ပိုက်လိုင်းများကို အားဖြည့်ပေးသည်။
ရုပ်ပိုင်းဆိုင်ရာ AI ကို ဒုက္ခပေးနေတဲ့ ဒေတာအတားအဆီး
၂၀၂၆ ခုနှစ်ရောက်ရင် ရိုဘော့တစ်လုပ်ငန်းတစ်လျှောက်မှာ တစ်ကမ္ဘာလုံးဆိုင်ရာ သဘောတူညီချက်တစ်ရပ် ပေါ်ပေါက်လာပါပြီ- အချက်အလက်တွေဟာ တိုးချဲ့နိုင်တဲ့ ရုပ်ပိုင်းဆိုင်ရာ AI ဖြန့်ကျက်မှုကို တားဆီးနေတဲ့ အရေးကြီးတဲ့ အတားအဆီးတစ်ခု ဖြစ်ပါတယ်။ ဘာသာစကားကြီးတွေအားလုံးဟာ စာသားတိုကင် ထရီလီယံပေါင်းများစွာကို အသုံးပြုပြီး လေ့ကျင့်ကြပေမယ့် ပါဝင်တဲ့ AI စနစ်တွေဟာ တကယ့်ကမ္ဘာ ရုပ်ပိုင်းဆိုင်ရာ အပြန်အလှန်ဆက်သွယ်မှု ဗီဒီယိုတွေမှာ အဲဒီပမာဏရဲ့ ဆယ်ပုံတစ်ပုံထက်နည်းတဲ့ ပမာဏကိုပဲ အသုံးပြုနိုင်ပါတယ်။
ဤကွာဟချက်သည် တိုးတက်မှုအတွက် ကြီးမားသော အဟန့်အတားဖြစ်စေသည်။ ထိပ်တန်းရိုဘော့တစ်ဓာတ်ခွဲခန်းများက အဆင့်မြင့်ခြယ်လှယ်မှုမူဝါဒများကို လေ့ကျင့်ရန်အတွက် လာမည့် ၂-၃ နှစ်အတွင်း တစ်ကိုယ်ကောင်းဆန်သော ပထမလူရိုက်ကူးမှုနာရီ ၁၀၀ သန်းမှ ၁ ဘီလီယံအထိ လိုအပ်ကြောင်း ခန့်မှန်းထားသည်။ သီးခြားခြယ်လှယ်မှုလုပ်ငန်းတစ်ခုတည်းအတွက်ပင် လေ့ကျင့်ရေးဒေတာစုများသည် မှတ်တမ်းတင်ထားသော လူ့လှုပ်ရှားမှုနာရီ ၁၀၀,၀၀၀ မှ ၁ သန်းအထိ လိုအပ်ပါသည်။
တစ်ကိုယ်ကောင်းဆန်သော အချက်အလက်ဖမ်းယူခြင်းသည် အမြင့်ဆုံး တိုးချဲ့နိုင်စွမ်းကို ပေးစွမ်းနိုင်ကြောင်း စက်မှုလုပ်ငန်းကျွမ်းကျင်သူများက သဘောတူညီကြသည်။ ယူနစ်တစ်ခုလျှင် အမေရိကန်ဒေါ်လာ သောင်းနှင့်ချီ၍ ကုန်ကျသော စျေးကြီးသော အဝေးထိန်းလည်ပတ်မှုကိရိယာများကို မှီခိုအားထားမည့်အစား၊ သုတေသနအဖွဲ့များနှင့် အချက်အလက်ရောင်းချသူများသည် လူသားများ သဘာဝနေ့စဉ်လုပ်ငန်းဆောင်တာများကို လုပ်ဆောင်နေစဉ် သရုပ်ပြဗီဒီယိုများကို ရိုက်ကူးရန် အလေးချိန်ပေါ့ပါးသော ဦးခေါင်းတပ်ဆင်ထားသော ကင်မရာများကို ယခုအခါ အသုံးပြုလာကြသည်။
ဤပြောင်းလဲမှုကို လက်တွေ့ကမ္ဘာတွင် ဖြန့်ကျက်မှုများတွင် မြင်တွေ့နိုင်ပြီဖြစ်သည်။ ၂၀၂၆ ခုနှစ် ဧပြီလတွင် အိန္ဒိယနိုင်ငံ ဒေလီ NCR ဒေသတစ်လျှောက်ရှိ အထည်အလိပ်လုပ်သားထောင်ပေါင်းများစွာသည် Egolab.AI မှထုတ်လုပ်သော ဦးခေါင်းတွင်တပ်ဆင်ထားသော ကင်မရာငယ်များ ဝတ်ဆင်ထားသည်ကို viral ဗီဒီယိုတစ်ခုတွင် ပြသခဲ့သည်။ ဤအော်ပရေတာများသည် ယခုအခါ နောက်မျိုးဆက် humanoid robots များကို လေ့ကျင့်ပေးရန် ကြီးမားသော တစ်ကိုယ်ကောင်းဆန်သော ဗီဒီယိုဒေတာစုများကို ထုတ်လုပ်ကြသည်။
ဘာကြောင့် တစ်ကိုယ်ကောင်းဆန်တဲ့ ပထမလူ အချက်အလက်က မရှိမဖြစ်လိုအပ်တာလဲ
စက်ရုပ်များသည် လူသားများ၏ မော်တာစွမ်းရည်များကို တိကျစွာပုံတူကူးယူရန်အတွက် လူသားများမြင်တွေ့ရသည့် အမြင်အာရုံထည့်သွင်းမှုအတိအကျကို သိရှိနားလည်ရမည်။ ၂၀၂၅ ခုနှစ်မှ ၂၀၂၆ ခုနှစ်အတွင်း ထုတ်ဝေခဲ့သော သုတေသနလှိုင်းတစ်ခုသည် မိမိကိုယ်ကိုဗဟိုပြုသည့် အချက်အလက်စုများ၏ ပြောင်းလဲမှုတန်ဖိုးကို အတည်ပြုသည်-
1.
လူ့အတ္တ လူသားတစ်ယောက်ရဲ့ တစ်ကိုယ်ကောင်းဆန်တဲ့ ဗီဒီယို မိနစ် ၃၀ သာ တစ်ကြိမ်ကြည့်ရှုရုံနဲ့ လက်တွေ့ကမ္ဘာမှာ ကိုင်တွယ်ဖြေရှင်းရတဲ့ အလုပ်တွေမှာ ပျမ်းမျှအောင်မြင်မှုနှုန်း ၉၂.၅% ရရှိပြီး လူသားတွေကနေ စက်ရုပ်တွေဆီကို zero-shot skill လွှဲပြောင်းပေးနိုင်ပါတယ်။
2.
ကိုယ်ရည်ကိုယ်သွေးအတုယူခြင်း လူသားသရုပ်ပြဒေတာများကို ပေါင်းစပ်ခြင်းဖြင့် စက်ရုပ်သီးသန့်လေ့ကျင့်ရေးဒေတာနှင့် နှိုင်းယှဉ်ပါက လုပ်ငန်းစွမ်းဆောင်ရည်ကို ၃၄% မှ ၂၂၈% အထိ မြှင့်တင်ပေးပါသည်။ ဖြည့်စွက်လူ့လက်ရိုက်ကူးမှု တစ်နာရီသည် စက်ရုပ်ကိုယ်တိုင်စုဆောင်းထားသော နောက်ထပ်ဒေတာ တစ်နာရီထက် မော်ဒယ်တိုးတက်မှုကို များစွာပိုမိုရရှိစေပါသည်။ ရောနှောလူ့-စက်ရုပ်ဒေတာစုများသည်လည်း အကွာအဝေးရှည် အဝေးထိန်းစနစ်ဖြင့် လုပ်ဆောင်သော လုပ်ငန်းစဉ်များမှ ရိုက်ကူးထားသော မှတ်တမ်းများအပါအဝင် သာလွန်ကောင်းမွန်သော လေ့ကျင့်မှုနှင့် ဖြန့်ကျက်မှုစွမ်းဆောင်ရည်ကို ရရှိစေပါသည်။
3.
EgoScale NVIDIA သုတေသီများမှ တီထွင်ထားသော ဤ framework သည် လူသား၏ တစ်ကိုယ်ကောင်းဆန်သော ဗီဒီယို ၂၀,၈၅၄ နာရီပါ ကွဲပြားသော dataset ကို အသုံးပြု၍ အထွေထွေအလုပ်များတွင် ကျွမ်းကျင်သော ကိုင်တွယ်မှုစွမ်းရည်များကို မြှင့်တင်ပေးသည်။
4.
ပွင့်လင်းသော AoE ထပ်တူပြုထားသော လက်လှုပ်ရှားမှုနှင့် အက်တမ်လုပ်ဆောင်ချက် မှတ်ချက်များနှင့် တွဲဖက်ထားသော ၂၀၀၀ နာရီကြာ ကိုယ်ပိုင်ဗဟိုပြု ဗီဒီယိုဒေတာစုကို ထုတ်ပြန်သည်။
5.
ခေတ်မီသော မူဘောင်များ EgoGuide နှင့် EgoLive အပါအဝင် ခေတ်မီသော framework များသည် robot-free demonstration capture နှင့် ကြီးမားသော egocentric dataset generation ကို ပိုမိုချောမွေ့စေပါသည်။
ဤလုပ်ငန်း၏ အရှိန်အဟုန်ရှိနေသော်လည်း၊ အရည်အသွေးမြင့် တစ်ကိုယ်ကောင်းဆန်သော ရိုက်ကူးမှုအတွက် ဟာ့ဒ်ဝဲဖြေရှင်းချက်များသည် အပိုင်းပိုင်းကွဲနေဆဲဖြစ်သည်။ သုတေသီများနှင့် အချက်အလက်အဖွဲ့များသည် စားသုံးသူ အက်ရှင်ကင်မရာများ၊ AR မျက်မှန်များနှင့် စိတ်ကြိုက်တည်ဆောက်ထားသော ကိရိယာများကို ပေါင်းစပ်ရန် ဖိအားပေးခံရပြီး ၎င်းသည် လုပ်ငန်းစဉ်တွင် ထပ်တူပြုမှုတိကျမှု၊ ချိန်ညှိမှု တသမတ်တည်းဖြစ်မှုနှင့် ကြာရှည်ခံမှု သက်တောင့်သက်သာရှိမှုကို ထိခိုက်စေပါသည်။
Ego ကင်မရာ ထုတ်ကုန်ခြုံငုံသုံးသပ်ချက်
Ego Camera သည် စက်ရုပ်သင်ယူမှု၊ ပေါင်းစပ် AI နှင့် တုပသင်ယူမှုလုပ်ငန်းစဉ်များတွင် မိမိကိုယ်ကိုဗဟိုပြုဒေတာဖမ်းယူရန်အတွက် အခြေခံမှစတင်၍ ဒီဇိုင်းထုတ်ထားသော ဦးခေါင်းတွင်တပ်ဆင်ထားသော နှစ်ထပ်မှန်ပြောင်းစတီရီယိုကင်မရာမော်ဂျူးတစ်ခုဖြစ်သည်။
သုတေသနအသုံးပြုရန်အတွက် ပြန်လည်အသုံးပြုထားသော စားသုံးသူအက်ရှင်ကင်မရာများနှင့်မတူဘဲ၊ Ego Camera သည် ပညာရေးနှင့် စက်မှုလုပ်ငန်းသုံး ရိုဘော့တစ်လမ်းကြောင်းများအတွက် ရည်ရွယ်ချက်ရှိရှိ တည်ဆောက်ထားသည်။ ၎င်းသည် သန့်ရှင်းပြီး ဟာ့ဒ်ဝဲဖြင့် ထပ်တူပြုလုပ်ထားသော၊ စက်ရုံမှ ကြိုတင်ချိန်ညှိထားသော raw sensor data ကို post-processing setup မလိုအပ်ဘဲ box ထဲကနေ ထုတ်ပေးသည်။
အဓိက နည်းပညာဆိုင်ရာ သတ်မှတ်ချက်များ
| သတ်မှတ်ချက် | အသေးစိတ်အချက်အလက်များ |
|---|---|
| ရုပ်ပုံအာရုံခံကိရိယာများ | 2MP ကမ္ဘာလုံးဆိုင်ရာ ရှပ်တာ CMOS အာရုံခံကိရိယာနှစ်ခု |
| အလျားလိုက်မြင်ကွင်း (HFOV) | ၆၀–၆၅°၊ လူသား၏ သဘာဝအမြင်အာရုံအကွာအဝေးနှင့် ကိုက်ညီသည် |
| ရှပ်တာနည်းပညာ | Global Shutter; မြန်နှုန်းမြင့်ရွေ့လျားမှုအတွင်း rolling shutter ပုံပျက်ခြင်းကို ဖယ်ရှားပေးသည် |
| IMU မော်ဂျူး | ၆-ဝင်ရိုး ICM-26888-P (၃-ဝင်ရိုး အရှိန်မြှင့်ကိရိယာ + ၃-ဝင်ရိုး ဂျိုင်ရိုစကုပ်)၊ ၂၀၀–၅၀၀ Hz နမူနာယူကြိမ်နှုန်း |
| ထပ်တူပြုခြင်းယန္တရား | ဟာ့ဒ်ဝဲ GPIO trigger; frame-IMU ထပ်တူပြုခြင်းအမှား < 10 မိုက်ခရိုစက္ကန့် |
| အချိန်တံဆိပ်တုံးခြင်း | ရုပ်ပုံဘောင်တိုင်းနှင့် IMU ဖတ်ရှုမှုအတွက် ဟာ့ဒ်ဝဲအဆင့် ပေါင်းစည်းထားသော နာနိုစက္ကန့် အချိန်တံဆိပ်များ |
| ဝါယာကြိုးဖြင့် ချိတ်ဆက်ထားသော အင်တာဖေ့စ် | USB 2.0 Type-C၊ UVC နှင့် ကိုက်ညီမှု၊ Windows၊ Linux နှင့် ROS အတွက် cross-platform SDK ပံ့ပိုးမှု |
| ကြိုးမဲ့ ဖြန့်ကျက်မှု | Onboard WiFi + MicroSD ကတ် သိုလှောင်မှု။ ဗီဒီယိုများကို ဒေသတွင်းသိုလှောင်မှုတွင် ဦးစားပေးပြီး ကွန်ရက်ပြန်လည်ချိတ်ဆက်သည်နှင့် cloud တွင် အလိုအလျောက် upload လုပ်သည်။ |
| တပ်ဆင်ခြင်းစံနှုန်း | ၁/၄″-၂၀ ချည်မျှင်တပ်ရန်အပေါက်များ၊ aftermarket ခေါင်းကြိုးများနှင့် စိတ်ကြိုက်တပ်ဆင်မှုများနှင့် တွဲဖက်အသုံးပြုနိုင်သည် |
| ချိန်ညှိခြင်း | စက်ရုံမှကြိုတင်ချိန်ညှိထားသော stereo intrinsic/extrinsic parameters များနှင့် camera-IMU transforms များကို onboard flash memory တွင် အပြီးအပိုင်သိမ်းဆည်းထားသည် |
ဘာကြောင့် Global Shutter ကို Robot Learning အတွက် ညှိနှိုင်းလို့မရတာလဲ
စားသုံးသူကင်မရာများသည် pixel row များကို အစဉ်လိုက်ဖော်ထုတ်ပေးသည့် rolling shutter sensor များအပေါ် အားကိုးအားထားပြုကြသည်။ သရုပ်ပြဗီဒီယိုများတွင် အမြဲရှိနေသော အစိတ်အပိုင်းတစ်ခုဖြစ်သည့် မြန်ဆန်သော လူ့လက်လှုပ်ရှားမှုများသည် “jelly effect” ဟုလူသိများသော ပြင်းထန်သော rolling shutter artifacts များကို ဖန်တီးပေးသည်- အရာဝတ္ထုအနားများ စောင်းနေခြင်း၊ geometric warping နှင့် မယုံကြည်ရသော feature tracking တို့ဖြစ်သည်။
ဤပုံပျက်မှုများသည် ရိုဘော့တစ်ပိုက်လိုင်းများကို ချို့ယွင်းစေသည်။ VIO frontend များ၊ visual SLAM algorithms များနှင့် imitation learning policies များသည် မော်ဒယ်ယေဘုယျပြုလုပ်ခြင်းနှင့် လက်တွေ့လုပ်ငန်းစွမ်းဆောင်ရည်ကို သိသိသာသာ ကျဆင်းစေသည့် မခန့်မှန်းနိုင်သော inter-frame feature shift များကို သည်းမခံနိုင်ပါ။
Ego Camera ရဲ့ global shutter sensor က pixel အားလုံးကို capture window တစ်ခုတည်းမှာ တစ်ပြိုင်နက်တည်း ဖော်ထုတ်ပေးပါတယ်။ frame တိုင်းဟာ geometric distortion လုံးဝမရှိတဲ့ ရှင်းလင်းပြတ်သားတဲ့ rigid-body pose နဲ့ ကိုက်ညီပြီး ဒါဟာ တင်းကျပ်တဲ့ robotics သုတေသနနဲ့ စီးပွားဖြစ် မော်ဒယ်လ် လေ့ကျင့်ရေးအတွက် မဖြစ်မနေ စံနှုန်းတစ်ခု ဖြစ်ပါတယ်။
လုပ်ငန်းသည် ပိုမိုကြီးမားသော တစ်ကိုယ်ကောင်းဆန်သော အချက်အလက်စုများ (ဥပမာ EgoLive ၏ အိမ်သုံးနှင့် စက်မှုလုပ်ငန်းဆိုင်ရာ လုပ်ငန်းဆောင်တာများကို လွှမ်းခြုံထားသည့် အရည်အသွေးမြင့် စတီရီယိုဗီဒီယိုများ၏ နာရီပေါင်းထောင်ချီ မှတ်တမ်းများကဲ့သို့) ကို လိုက်စားလာသည်နှင့်အမျှ၊ ပုံပျက်ခြင်းမရှိသော၊ frame-accuracy capture hardware အတွက် ဝယ်လိုအားသည် ဆက်လက်မြင့်တက်နေပါသည်။
ဟာ့ဒ်ဝဲ ထပ်တူပြုခြင်း- အရည်အသွေးနိမ့်နှင့် ထုတ်လုပ်မှုအဆင့် လေ့ကျင့်ရေးဒေတာကြား ကွာဟချက်
လူသားများသည် ကိုင်တွယ်မှုအစီအစဥ်များ—ရောက်ရှိခြင်း၊ ဆုပ်ကိုင်ခြင်း၊ အရာဝတ္ထုများကို နေရာချခြင်း—ကို လုပ်ဆောင်သည့်အခါ—ရိုဘော့မူဝါဒများသည် အမြင်အာရုံလက်လှုပ်ရှားမှုနှင့် အရှိန်အဟုန်ဖြင့် ခန္ဓာကိုယ်လှုပ်ရှားမှုအကြား တိကျသော အချိန်ကာလချိန်ညှိမှု လိုအပ်သည်။ ကင်မရာဘောင်များနှင့် IMU ဖတ်ရှုမှုများအကြား desync ၏ မီလီစက္ကန့်အနည်းငယ်ပင် လေ့ကျင့်ရေးဒေတာစုတစ်ခုလုံးကို ညစ်ညမ်းစေသည်။ ဆော့ဖ်ဝဲအခြေပြု timestamp ချိန်ညှိမှု (soft synchronization) သည် မှတ်တမ်းတင်ခြင်းအစည်းအဝေးများပေါ်တွင် drift စုပုံစေပြီး high-fidelity VIO နှင့် imitation learning pipelines များအတွက် တိကျမှုစံနှုန်းများနှင့် မကိုက်ညီပါ။
Ego Camera သည် binocular sensor များနှင့် IMU နှစ်ခုလုံးကို တစ်ပြိုင်နက်တည်း လှုံ့ဆော်ရန်အတွက် သီးသန့် GPIO pulse ကို အသုံးပြုထားပြီး 10 microseconds ထက် ပိုမိုကောင်းမွန်သော synchronization accuracy ကို ပေးစွမ်းသည်။ image frame နှင့် inertial sample တိုင်းတွင် shared hardware timestamp ပါရှိပြီး VINS-Fusion နှင့် OpenVINS အပါအဝင် mainstream VIO framework များ၏ တင်းကျပ်သော temporal လိုအပ်ချက်များနှင့် ကိုက်ညီပါသည်။
Open-AoE ကဲ့သို့သော Flagship မှတ်ချက်ပြုထားသော egocentric datasets များသည် synchronized text label များ၊ MANOS-based hand pose estimation၊ ကင်မရာ trajectory log များနှင့် temporally localized atomic action tag များကို ပေးပို့ရန်အတွက် ဤ hardware sync အဆင့်ကို အားကိုးနေရပြီး Ego Camera မှ မူရင်းအတိုင်း ပံ့ပိုးပေးရန် ဒီဇိုင်းထုတ်ထားသည့် အဓိက deliverable များအားလုံးကို ပေးပို့ပါသည်။
စက်ရုံမှကြိုတင်ချိန်ညှိခြင်း- အချိန်ကုန်သော လုပ်ငန်းခွင်တွင် ချိန်ညှိခြင်းကို ဖယ်ရှားပါ။
ကိုယ်တိုင်ချိန်ညှိခြင်းသည် ကင်မရာများစွာပါဝင်သော ဒေတာဖမ်းယူမှုလုပ်ငန်းစဉ်များအတွက် အရင်းအမြစ်များစွာအသုံးပြုရသည့် အတားအဆီးများထဲမှ တစ်ခုဖြစ်သည်။ intrinsic lens parameters၊ stereo extrinsic offsets နှင့် camera-IMU transform matrices များကို ချိန်ညှိခြင်းသည် အထူးပြု optical ပစ္စည်းကိရိယာများ၊ နည်းပညာကျွမ်းကျင်မှုနှင့် device တစ်ခုချင်းစီအတွက် လုပ်အားနာရီများ လိုအပ်ပါသည်။
Ego Camera က ဒီ workflow ကို လုံးဝဖယ်ရှားပေးပါတယ်။ စက်ရုံကနေ မထွက်ခွာခင် ယူနစ်တိုင်းဟာ end-to-end calibration အပြည့်အဝ ပြုလုပ်ပါတယ်။ focal length၊ principal point coefficients၊ distortion coefficients၊ stereo extrinsics နဲ့ camera-IMU transforms စတဲ့ အရေးကြီးတဲ့ parameters အားလုံးကို onboard flash memory မှာ အပြီးအပိုင် ရေးသားထားပါတယ်။
သုတေသနအဖွဲ့များနှင့် အချက်အလက်ရောင်းချသူများသည် သေတ္တာဖွင့်ပြီး ငါးမိနစ်အတွင်း တရားဝင်ဗီဒီယိုများကို မှတ်တမ်းတင်နိုင်ပြီး checkerboard target များ၊ calibration rig များ သို့မဟုတ် နာရီဝက် calibration session များ မလိုအပ်ပါ။ ခေတ်မီ မြင့်မားသော စံနှုန်းရှိသော egocentric dataset များသည် စက်ရုံမှ ကြိုတင်ချိန်ညှိထားသော ကင်မရာ hardware ကို အသုံးပြုရန် လိုအပ်ပြီး Ego Camera unit တိုင်းတွင် တိုက်ရိုက်တည်ဆောက်ထားသော သတ်မှတ်ချက်တစ်ခုဖြစ်သည်။
ဖြန့်ကျက်မှုမုဒ်နှစ်ခု၊ တစ်ခုတည်းသော ပေါင်းစည်းထားသော ဟာ့ဒ်ဝဲပလက်ဖောင်း
၁။ USB ကြိုးတပ်မုဒ်
အချိန်နှင့်တပြေးညီ တိုက်ရိုက်ကြည့်ရှုခြင်းနှင့် နှောင့်နှေးမှုနည်းသော မှတ်တမ်းတင်ခြင်းအတွက် လက်ပ်တော့များ သို့မဟုတ် အလုပ်ရုံများနှင့် ချိတ်ဆက်ပါ။ သုတေသီများသည် ဒေတာအရည်အသွေးကို လိုအပ်သလို အတည်ပြုသည့် ထိန်းချုပ်ထားသော ဓာတ်ခွဲခန်းပတ်ဝန်းကျင်များအတွက် အကောင်းဆုံးဖြစ်အောင် ပြုလုပ်ထားသည်။ Windows၊ Linux နှင့် ROS ရိုဘော့တစ်ဘောင်များနှင့် တွဲဖက်အသုံးပြုနိုင်သော cross-platform SDK များမှ အပြည့်အဝ ပံ့ပိုးပေးထားသည်။
၂။ WiFi + မိုက်ခရို SD ကတ် အော့ဖ်လိုင်းမုဒ်
ကြီးမားသော ဖြန့်ဝေထားသော အချက်အလက်စုဆောင်းမှုအတွက် untethered recording။ ရိုက်ကူးထားသော ဗီဒီယိုအားလုံးကို ကွန်ရက်ပြတ်တောက်မှုများအတွင်း အချက်အလက်ဆုံးရှုံးမှုကို ကာကွယ်ရန်အတွက် ဒေသတွင်း MicroSD သိုလှောင်မှုသို့ ဦးစွာရေးသားသည်။ ချိတ်ဆက်မှုပြန်လည်ရရှိပြီးသည်နှင့် ဖိုင်များသည် ဝေးလံသော cloud server များ သို့မဟုတ် on-premise data warehouse များသို့ အလိုအလျောက် sync လုပ်သည်။ မီးဖိုချောင်များ၊ ထုတ်လုပ်ရေးအလုပ်ရုံများ၊ ရုံးခန်းများနှင့် အခြားလက်တွေ့ပတ်ဝန်းကျင်များတွင် သရုပ်ပြဗီဒီယိုထောင်ပေါင်းများစွာကို ဖန်တီးရန်အတွက် မြင်ကွင်းများစွာကို ရိုက်ကူးရန်အတွက် အသင့်တော်ဆုံးဖြစ်သည်။
ဖွဲ့စည်းတည်ဆောက်ထားသော ကုန်ကြမ်းဒေတာထွက်ရှိမှု (Onboard AI စီမံဆောင်ရွက်ခြင်းမရှိပါ)
ယူနစ်သည် built-in image smoothing၊ auto-annotation သို့မဟုတ် on-device AI inference မပါဝင်ဘဲ မပြောင်းလဲသော၊ သန့်စင်သော raw sensor data ကို ထုတ်လွှတ်ပေးသည်—custom training pipelines များတွင် ပေါင်းစပ်ရန်အတွက် full raw fidelity ကို ထိန်းသိမ်းထားသည်-
ဘယ်ဘက်_ဗီဒီယို.mp4/ညာဘက်_ဗီဒီယို.mp4: တစ်ပြိုင်တည်းချိန်ကိုက်ထားသော စတီရီယို မှန်ဘီလူး ဗီဒီယို စီးကြောင်းများimu_6axis.csv: ဟာ့ဒ်ဝဲ အချိန်တံဆိပ်များဖြင့် tag လုပ်ထားသော 6-axis inertial တိုင်းတာမှုမှတ်တမ်းများ (accelerometer + gyroscope)timestamps_ns.txtရုပ်ပုံဘောင်များနှင့် IMU နမူနာအားလုံးအတွက် စုစည်းထားသော နာနိုစက္ကန့် ဟာ့ဒ်ဝဲ အချိန်တံဆိပ်များcalibration_params.yamlစက်ရုံမှထုတ်လုပ်သော intrinsic၊ extrinsic နှင့် camera-IMU ချိန်ညှိမှုပြောင်းလဲမှုများ
ပစ်မှတ်အသုံးပြုသူအပိုင်းများ
ပေါင်းစပ်ထားသော AI နှင့် တုပသင်ယူမှုဆိုင်ရာ ပညာရပ်ဆိုင်ရာ သုတေသနဓာတ်ခွဲခန်းများ
လူသားပုံစံ စက်ရုပ်နှင့် ကျွမ်းကျင်စွာ ကိုင်တွယ်နိုင်သော စက်ရုပ်ထုတ်လုပ်သူများ
ရုပ်ပိုင်းဆိုင်ရာ AI client များအတွက် လေ့ကျင့်ရေး dataset များကို ထုတ်လုပ်ပေးသည့် အထူးပြု data service provider များ
VIO နှင့် visual SLAM algorithms များကို တည်ဆောက်နေသော R&D အဖွဲ့များ
ရိုဘော့တစ်အဖွဲ့များသည် ကြီးမားသော ကိုယ်ရည်ကိုယ်သွေးဗဟိုပြု သရုပ်ပြဒေတာစုဆောင်းမှုလုပ်ငန်းစဉ်များကို တိုးချဲ့လုပ်ဆောင်ကြသည်
ပို့စ်တင်ချိန်: ၂၀၂၆ ခုနှစ်၊ သြဂုတ်လ ၁၁ ရက်
