Simultaneous localization and mapping (SLAM) algoritmusok kvantitatív összehasonlítása (Continental)
Konzulens:
Dr. Szántó Mátyás
Tárgy:
Önálló laboratórium 1 - Irányítórendszerek főspecializáció, MSc Vill.
Önálló laboratórium 2 - Irányítórendszerek főspecializáció, MSc Vill.
Önálló laboratórium 1 - Vizuális informatika főspecializáció, MSc Info.
Önálló laboratórium 2 - Vizuális informatika főspecializáció, MSc Info.
Önálló laboratórium 1 - Irányító és látórendszerek MSc. főspec.
Önálló laboratórium 1 - Vizuális informatika MSc. főspec.
Önálló laboratórium 2 - Irányítórendszerek főspecializáció, MSc Vill.
Önálló laboratórium 1 - Vizuális informatika főspecializáció, MSc Info.
Önálló laboratórium 2 - Vizuális informatika főspecializáció, MSc Info.
Önálló laboratórium 1 - Irányító és látórendszerek MSc. főspec.
Önálló laboratórium 1 - Vizuális informatika MSc. főspec.
Hallgatói létszám:
1
Folytatás:
Szakdolgozat / Diplomaterv
TDK dolgozat
TDK dolgozat
Leírás:
A simultaneous localization and mapping (SLAM) algoritumusokat gyakran alkalmazunk olyan robotikairendszerekben, ahol a rendszerre szerelt érzékelők adatait használjuk fel egy lokális térkép automatizált készítésére, és ezzel egyidőben a robot térbeli elhelyezkedésének meghatározására. A SLAM módszerek gyakran iteratív számításokon alapszanak, melyekhagyományos statisztikai módszerekkel (Kálmán-szűrő,particle filter) támogatva topológiai térképek készítésével és a kinematikai kényszerek ismeretében skálázhatómegoldásokat kínálnak a helymeghatározáshoz az autonóm járművek fejlesztésében is. A gyakorlatban a helymeghatározás (lokalizáció)jóságát olyan kvantitatív tényezőkkel jellemezzük, mint az aktuális pozíciómérés abszolút hibája, a hurokzárás (loop closure) relatív hibája, offsetés a szükséges számítási teljesítmény.
A hallgató feladata, hogy végezzen irodalomkutatást az elérhető SLAM algoritmusokról, készítsen átfogó kvalitatív összehasonlítástelőnyeikről és hátrányaikról. Ezt követően az elérhető módszerek között (real-time SLAM: monocular és RGB-D SLAM, stereo SLAM) végezzen kvantitatív összehasonlítást egy-egy valós autonóm közlekedési helyzet adathalmazán. A munkához javasolt a publikusan elérhető adathalmazok használata, az implementációhoz pedig felhasználhatóak a rendelkezésre álló OpenCV (C++/Python) és egyéb képfeldolgozást segítő könyvtárak.
A feladat megoldásához a hallgató a Continental AI Development Center munkatársaitól kap segítséget.