Simultaneous localization and mapping (SLAM) algoritmusok kvantitatív összehasonlítása

Félév: 2023-2024 tavasz

Kategória: Nincs megadva

Téma leírása

A simultaneous localization and mapping (SLAM) algoritumusokat gyakran alkalmazunk olyan robotikai rendszerekben, ahol a rendszerre szerelt érzékelők adatait használjuk fel egy lokális térkép automatizált készítésére, és ezzel egyidőben a robot térbeli elhelyezkedésének meghatározására. A SLAM módszerek gyakran iteratív számításokon alapszanak, melyek hagyományos statisztikai módszerekkel (Kálmán-szűrő, particle filter) támogatva topológiai térképek készítésével és a kinematikai kényszerek ismeretében skálázható megoldásokat kínálnak a helymeghatározáshoz az autonóm járművek fejlesztésében is.

A gyakorlatban a helymeghatározás (lokalizáció) jóságát olyan kvantitatív tényezőkkel jellemezzük, mint az aktuális pozíciómérés abszolút hibája, a hurokzárás (loop closure) relatív hibája, offset és a szükséges számítási teljesítmény.
A hallgató feladata, hogy végezzen irodalomkutatást az elérhető SLAM algoritmusokról, készítsen átfogó kvalitatív összehasonlítást előnyeikről és hátrányaikról. Ezt követően az elérhető módszerek között (real-time SLAM: monocular és RGB-D SLAM, stereo SLAM) végezzen kvantitatív összehasonlítást egy-egy valós autonóm közlekedési helyzet adathalmazán.

A munkához javasolt a publikusan elérhető adathalmazok használata, az implementációhoz pedig felhasználhatóak a rendelkezésre álló OpenCV (C++/Python) és egyéb képfeldolgozást segítő könyvtárak.

A feladat megoldásához a hallgató a Continental AI Development Center munkatársaitól kap segítséget.

Ha érdeklődsz a téma iránt, akkor jelentkezés előtt mindenképpen vedd fel a kapcsolatot Sik Dáviddal emailben, téma, képzési szint, szak és a tervezett projekttárgy feltüntetésével.

Külső partner: Continental Autonomous Mobility Hungary

Maximális létszám: 1 fő