Négyszögek klaszterezése és igazítása neurális háló segítségével
2024-2025 ősz
Szoftver
Téma leírása
Autonóm járművek fejlesztésekor az egyik legfontosabb mérnöki feladat a jármű valós környezetének megfelelő minőségű leképezése, hiszen ez szükséges feltétele annak, hogy a robot képes legyen külső segítség nélkül ideális döntést hozni és navigálni. Bár a megvalósítás egyes részletei nagyban függhetnek a konkrétan implementálni kívánt funkcionalitástól mégis sok általánosítható lépést azonosíthatunk egy-egy ilyen megoldást vizsgálva. Tipikus ilyen feladat a környező objektumok detektálása, időben és térben történő követése, fuzionálása. Sokszor ezeket - a valós életben gyakran bonyolult alakú - objektumokat, egyszerűbb geometriai formákkal írjuk le, ezzel egyrészt elkerülve az algoritmusok felesleges túlbonyolítását, másrészt segítve az optimális futási idő elérését. Gyakori ilyen általános alakzat a téglalap, ami reprezentálhat például parkolóhelyet vagy akár egy másik járművet is.
Szükség lehet bizonyos előismeretek felhasználására is, minthogy az egymás mellett elhelyezett parkolóhelyek általában párhuzamosak, és egy irányban állnak. Ezzel utólag tovább finomíthatjuk a detekciókat, melyek jellegükből adódóan zajosak és pontatlanok. Ennek a heurisztikának az érvényesítése történhet klasszikus megközelítést alkalmazva két lépésben, először csoportosítva az összetartozó objektumokat (DBSCAN, K-means, mean shift, etc.), majd az így létrejött klaszterek együttes igazításával. Ugyanakkor, a megfelelő tanító adattal az említett két lépés egyben is elvégezhető neurális háló segítségével, kiváltva komplex geometriai algoritmusokat és lehetővé téve egy magasabb szintű általánosítást.
A hallgató feladata, hogy a klaszterezés és igazítás lépéseket neurális hálóval oldja meg négyszög bemenetre: meghatározza az optimális struktúráját a bemenetnek, felkutassa az erre a célra alkalmazható háló modelleket, majd azokból kiválassza az ideális jelöltet.
Ezek ismeretében feladata továbbá a tanító adat előállítása (tanító-validációs-teszt szett), a kiválasztott modell implementálása, tanítása, majd kiértékelése pontosság és futási idő szempontjából (relatív összehasonlítás egy klasszikus megoldással) Python nyelven.
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