Négyszögek klaszterezése és igazítása klasszikus módszerek segítségével

Félév: 2024-2025 ősz

Kategória: 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 klasszikus módszerekkel oldja meg négyszög bemenetre: felkutassa az ideális klaszterezési algoritmust, ezt implementálja, majd egy választott heurisztika mentén igazítsa az egy klaszterben lévő négyszögeket, ezzel jobb minőségű kimenetet elérve. Feladata továbbá az implementációjának kiértékelése pontosság és futási idő szempontjából (futási idő a bemenet méretének/komplexitásának függvényében).

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