Platformfüggetlen Deep Learning keretrendszer fejlesztése natív LabVIEW környezetben etorobotikai célokra
Mára a Deep Learning tanuló algoritmusok térhódítása elérte a robotika területét is. Számos alkalmazásban jellenek meg a döntéshozástól az adatfeldolgozásig. Ennek megfelelően számos keretrendszert fejlesztettek az elmúlt években, melyek tetszőleges architektúrájú hálózat létrehozására és tanítására képesek, főleg Python és C++ nyelveken. Manapság a robotirányítási és mérés-jelfeldolgozási feladatok jelentős része LabVIEW környezetben történik, ennek ellenére nincs egy olyan LabVIEW-s Deep Learning keretrendszer, amely platform függetlenül, akár beágyazott rendszereken is működni tudna. Dolgozatom célja egy olyan keretrendszer fejlesztése, ami a state-of-the-art Deep Learning normáknak megfelelően képes modelleket létrehozni, tanítani és használni natív LabVIEW környezetben, ami lehetővé teszi, hogy akár beágyazott rendszereken és egyéb valós idejű rendszereken is használjuk. Első lépésként a klasszikus, előrecsatolt neurális hálózatokkal foglalkozom. Implementálom ezek létrehozását, használatát és tanítását is back propagation alapon különböző módszerek lehetőségével, mint pédául a mini-Batch, a dropout és a momentum módszerekkel. Ezek az opcionális módszerek szükségességénék bemutatására összehasonlítást végzek egy jól ismert problémán a különböző módszerek használatával a tanulás sebességéről. Az MTA-ELTE Összehasonlító Etológiai Kutatócsoport egy robotjának irányítórendszerének fejlesztésébe kapcsolódom be, így egy meghatározott architektúrába kell illeszkednem. A Deep Learning használati lehetőségei a mobil robotikában kiterjednek, de nem korlátozódnak a képfeldolgozáson alapuló térképezésre és lkalizációra, hangfelismerésre, hangvezérlésre és dinamikai modell alkotására és identifikációra.
szerző
-
Kiss Gábor
Mechatronikai mérnöki mesterképzési szak
mesterképzés (MA/MSc)
konzulens
-
Raj Levente
tanársegéd, Mechatronika, Optika és Gépészeti Informatika Tanszék
