témavezető: Edelmayer András
helyszín (magyar oldal): Széchenyi István Egyetem helyszín rövidítés: SZE
A kutatási téma leírása:
Az autonóm közlekedésre képes járművek alaptechnológiái a környezetérzékelő szenzorjelek fúzióján, mély tanulási eljárásokon és kommunikáción alapszanak, amelyeket hatékony rendszer integrációs módszerek alkalmazásával kell a jármű fedélzeti rendszerekbe integrálni. A rendszereknek alapvetően három forrásból származó adatfolyamot kell tudni hatékonyan feldolgozni: (i) a jármű fedélzeti szenzorai (GPS, kamera, radar, LIDAR, szonar stb.) által szolgáltatott adatok, (ii) a jármű környezetbe ágyazottságának paramétereit megadó ún. konszolidált fedélzeti adatbázisok, mint pl. a hagyományosan a digitális térképekből kinyerhető információ és (iii) a kommunikációra épülő kollaboratív technikák által szolgáltatott adatok. A teljes mértékben automatizált önvezető járművek megjelenéséhez a jelenlegi helymeghatározási és szituáció kezelési eljárások és technológiák pontossága és felbontó képessége jelentős mértékű javításra szorul. A hagyományos digitális térképek a jármű pillanatnyi helyzetének meghatározásában és szituáció managementjében nagy szerepet kapnak, ám ezek pontossága és főként a szituációk változatosságát leírni képes gazdagsága nem megfelelő. Dinamikus térkép építési módszerek szükségesek ahhoz, hogy a környezet változó jellegét és a szituációk dinamikáját megfelelően leírni képesek legyünk. Az ilyen dinamikus térkép adatait úgy tekinthetjük, mint egy járulékos szenzort, amely által szolgáltatott adatok az adott útszakaszon közlekedő járművek kollektív ismereteit tartalmazzák a környezet pillanatnyi állapotáról. A tudományos program olyan dinamikus térkép építő, karbantartó és adat konszolidációs módszerek kidolgozását tűzi ki célul, amely a kollaboratív járműkommunikációs módszerekre támaszkodva, a környezetérzékelés és a big-data kezelés aktuális módszerei segítségével felhő alapú, inkrementálisan építkező és folyamatosan karbantartott dinamikus térképek létrehozását teszi lehetővé.
To achieve high level vehicle autonomy, sensor fusion and deep-learning technologies are to be seamlessly integrated into the overall vehicle architecture to efficiently aggregate and make sense of multiple data streams in real time, such as on-board sensor data és position information, other consolidated on-board data, such as digital maps and environmental data coming from cooperative vehicle communication. It was clearly recognized that the accuracy of traditional localization technologies is not sufficient for autonomous navigation and a novel map technology is needed for positioning. Traditional digital map technologies provide a more or less stable, static representation of the road networks. Dynamic map building technologies are required, however, to enrich this static set of data with dynamically varying environmental information and construct a new map representation. One has to view this map as an additional sensor, just like a camera or radar on a vehicle helping to extend the vehicles understanding of the road network far beyond the range of its on-board sensors. There needs to be technical means by which one can pool data into a single map system which can be shared with other vehicles on road for the collective benefit of automated transportation. An aggregation platform gathers and process the data provided by multiple vendors at scale. Consolidation technologies are responsible to keep this data living and dynamic having aggregated knowledge of the road network, where real-time events (traffic, accidents, construction sites, lane closures and other obstacles) are collected and represented and delivered to vehicles in real-time. Consolidated on-board data (maps, lookup tables etc.) supporting the driving situation represents this technology pillar of autonomous drive. This type of map contains a much richer description of the environment than any recent localization technologies can do. Consolidation is largely based on vehicle communications constructing a shared dynamic data asset in the mist (cf. mist vs cloud). Certain parts of the idea have been implemented in the C-ITS communications architecture (LDM) that was validated in various safety use-cases in the practice.
előírt nyelvtudás: angol
Jelentkezési határidő: 2018-02-28
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
