Az önvezető autó funkcióinak fejlesztése manapság számos területen (sensor perception, fusion behavior planning, intervention) folyik párhuzamosan. Az legmagasabb szintű önvezetés elérése érdekében a járművezető helyettesítésére a járműveket különböző szenzorikus eszközök jelei, mint például a video, radar, LiDAR, gyorsulásérzékelők, giroszkópok, GPS jelek segítik a környezet leképzésében, illetve az akadályok felismerésében. Ezen inputok alapján lehetséges a jármű haladásának megtervezése és a beavatkozás.
A környezetről alkotott reprezentáció pontosságának növelése érdekében a különböző szenzorok jeleit érdemes egyesíteni, fuzionálni, melynek segítségével a különböző szenzorok előnyei a fuzionált jelben előtérbe kerülnek, míg a hátrányok adott esetekben háttérbe szoríthatóak. A szakirodalomban számos megoldás létezik a video és LiDAR/radar jelek fúziója által megvalósított környezeti reprezentációra, azonban a felhasználói esetekre adott megoldás video és radar valamint a video és LiDAR esetére még hiányos. Az önvezető funkció fejlesztéséhez szükséges ilyen adathalmaz előállítása.
A dolgozat célja egy algoritmus létrehozása, ami a video felhasználásával valóságos LiDAR/radar visszhangokat és spektrumokat is generál szintetikusan. Az így létrejövő adathalmazokat aztán az önvezető funkció szimulációjához, validációjához lehet felhasználni. A szintetikus adatok generálásához mélyhálós architektúrák (mint pl. Generative Adversarial Network GAN) használhatóak. A dolgozat célja az eredmény validálása is – vagyis, hogy az eredményül kapott pontfelhők sikeresen és kellő pontosággal reprezentálják-e a környezetet. A feladathoz nyilvánosan elérhető adatbázis (NuScenes), de a dolgozat során ipari adatforrások is felhasználhatóak. Bár a kutatás célja a modellek és algoritmusok létrehozása, a dolgozat eredménye azonban direktben is hasznosítható a futó ipari projektekben, fejlesztésekben, azaz az önvezető funkcionalitás legmagasabb szintű megvalósításához.
előírt nyelvtudás: angol ajánlott nyelvtudás (magyar oldal): magyar további elvárások: SW: python (Numpy, Pandas, Matplotlib), gépi tanulás TensorFlow, SKLearn, Pytorch, Keras, optional system development: Spark
személyes készségek: proaktív, jó kommunikációs készség, együttműködő képesség csapatban, ipari és akadémiai környezetben
felvehető hallgatók száma: 1
Jelentkezési határidő: 2024-05-31
2024. IV. 17. ODT ülés Az ODT következő ülésére 2024. június 14-én, pénteken 10.00 órakor kerül sor a Semmelweis Egyetem Szenátusi termében (Bp. Üllői út 26. I. emelet).
Bejelentkezés
