Het proces van het labelen van perceptiedata voor autonome voertuigen is traditioneel een tijdrovende en kostbare aangelegenheid. De noodzaak om handmatig 3D-bounding boxes te creëren vereist niet alleen veel manuren, maar ook specifieke domeinkennis. Bovendien kampen huidige automatische methoden vaak met beperkingen omdat ze enkel vertrouwen op sensoren die op het voertuig zelf zijn gemonteerd. Dit leidt regelmatig tot onnauwkeurige geometrische weergaven en occlusies, waarbij objecten elkaar overlappen vanuit het perspectief van de grond.
Om deze uitdagingen te overwinnen, hebben onderzoekers Tianheng Zhu, Zhenhao Wang en Yiheng Feng een innovatieve oplossing ontwikkeld genaamd 'Drones as Annotators' (DAA). Volgens een wetenschappelijke publicatie op arxiv.org gaat het hier om een systeem dat geen voorafgaande training behoeft en LiDAR-gegevens van de grond aanvult met visuele informatie vanuit de lucht. Hoewel er een breed scala aan commerciële vliegende apparaten beschikbaar is, zoals beschreven in gidsen over pcmag.com, zet dit framework de drone specifiek in als een 'luchtagent'.
De effectiviteit van het DAA-framework berust op de combinatie van twee verschillende datastromen. De drone biedt een vogelperspectief, waardoor voertuigen gemakkelijker gedetecteerd kunnen worden met minder obstructies en een continue tracking is mogelijk. Tegelijkertijd levert de grondgebonden LiDAR de noodzakelijke precieze metrische 3D-geometrie, iets wat enkel op basis van beelden vanuit de lucht niet haalbaar is. Deze synergie zorgt ervoor dat het systeem nauwkeurige labels kan genereren zonder menselijke tussenkomst.
Het technische proces van DAA is opgedeeld in twee cruciale fasen. In de eerste stap vindt een coördinaat-uitlijning plaats, waarbij de data van de drone en de LiDAR-scans worden samengevoegd in één gedeeld mapframe. Dit stelt het systeem in staat om initiële, grove 3D-bounding boxes te creëren. In de tweede fase volgt een verfijning van deze boxes via een proces dat vergelijkbaar is met een Expectation-Maximization (EM) algoritme. Hierbij wordt voortdurend gewisseld tussen het identificeren van voorgrondpunten van een voertuig en het bijwerken van de grove box, gebruikmakend van de informatie van de drone.
De resultaten van het onderzoek, die zijn gedetailleerd in het document , tonen aan dat DAA consistent beter presteert dan bestaande baselines voor automatische labeling. Een opvallend resultaat is dat LiDAR-detectoren die getraind zijn met de labels van DAA, zeer concurrerend zijn ten opzichte van detectoren die op handmatige annotaties zijn gebaseerd, mits er gebruik wordt gemaakt van gematigde IoU-drempels (Intersection over Union).
Daarnaast is de veelzijdigheid van het systeem bewezen. De auteurs stellen in hun dat DAA zonder aanpassing van parameters kan worden overgezet van boord-LiDAR naar stationaire LiDAR-systemen langs de weg, of zelfs naar gefuseerde point clouds van meerdere agenten. De validatie is verder versterkt door het systeem te testen tegen een referentievoertuig met exact bekende afmetingen en posities.
Het volledige onderzoek is op 6 september 2026 ingediend. De onderzoekers hebben toegezegd dat zowel de gebruikte dataset als de broncode beschikbaar zullen worden gesteld bij de definitieve publicatie, wat verdere onafhankelijke validatie van deze drone-gestuurde annotatiemethode mogelijk maakt.