Видео в роботах‑доставщиках: секреты сжатия для работы в сложных условиях

Компания Яндекс активно развивает направление автономного транспорта, в том числе развивается флот роботов-доставщиков. К 2027 году ожидаемый размер флота роботов-доставщиков оценивается в 20 тысяч устройств. Роботы доставщики находятся постоянно на связи: передается в том числе видеоинформация камер.

Для оптимизации возрастающей нагрузки решена задача повышения эффективности сжатия видеопотоков с fisheye‑камер — устройств с широким углом обзора, сопровождающимся геометрическими искажениями. Цель оптимизации — снизить битрейт при сохранении достаточного качества изображения, соблюдая строгие ограничения: простоту алгоритмов, экономию вычислительных ресурсов и минимизацию расхода заряда батареи.

Для достижения цели разработана методология оптимизации параметров кодирования и сравнения кодеков. Она опирается на общепринятые подходы: критерия BD‑Rate, точечный анализ для заданных значений битрейта/качества и сопоставление Rate‑Quality‑кривых. В ходе экспериментов варьировались ключевые параметры (промежуточное разрешение, Intra‑period, количество опорных кадров, HW Preset, тип битрейт‑контроля, размер буфера). Результат — снижение общего битрейта от четырёх камер робота-доставщика на 15 % при сохранении или улучшении визуального качества (до 30% на одной из камер)

Дополнительно оценены перспективные способы повышения эффективности сжатия: применение AV1‑энкодера (сокращение битрейта на ~10 %) и технологии Region of Interest (ROI) - перераспределение битрейта с периферийных участков в зону интереса — экономия 5–10 %). В качестве направлений дальнейшего развития выделены внедрение алгоритмов предобработки видео, полномасштабное использование AV1 и масштабирование ROI‑подхода.

В конце доклада рассмотрена задача сжатия 3Д облаков точек с использованием GPCC стандарта и оригинальный ИИ подход к ускорению кодека в практически автономном режиме на основе ИИ технологий Яндекс. Приведено сравнение полученных результатов с индустриальным кодеком для облаков точек и полигональных моделей Draco, в том числе, даны оценки полученной степени сжатия, достигнутого ускорения в сравнении с базовой версией (до 10 раз) и времени кодирования 1 облака точек (~ 500k точек)

Решения отличаются практической ориентированностью: они позволяют добиться значимого сокращения битрейта без кардинальной смены системы кодирования, что критично для быстрого развёртывания в реальной инфраструктуре.