Vonalak asszociálása 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 két pontot összekötő vonal, ami reprezentálhatja például parkolóhely határolóvonalát vagy akár sávokat elválasztó szaggatott vonalat.
A környezet felépítéséhez ezeket a vonalakat mérésről mérésre követni kell - ehhez két időpillanatban mért objektumokat kell asszociálni. A gyakorlatban ez azt jelenti, hogy bizonyos számított kvalitás mentén adott, ’t’ időpillanatban mért vonal esetében ’t + 1’ időpillanatban minden vonalra megállapítható, hogy az mekkora valószínűséggel jelöli a ’t’ időpillanatban vizsgált vonalat. Az algoritmus csak egy ilyen vonal-párt állapíthat meg, vagy egyet sem, amennyiben egyik ’t + 1’ időpillanatban mért vonal asszociációs valószínűsége se ér el egy minimum szintet.
Ennek megvalósítása történhet klasszikus megoldással (Nearest Neighbor, Global Nearest Neighbor, etc.) illetve neurális háló alkalmazásával.
A hallgató feladata, hogy az asszociációs lépést megvalósítsa neurális háló segítségével: 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