2D Lidar objektumdetektálás ROS környezetben gépi tanulás segítségével
A dolgozat célja az objektum detektálás volt egy 2D Lidar szenzor segítségével. Ehhez gépi tanulást, azon belül pedig elsőként felügyelt tanítás, majd felügyelet nélküli tanítást alkalmaztam. Mivel a felügyelt tanításnál ismerni kell a tanított modell bemenetének és kimenetének értékeit, vagyis a tanító mintapont párokat, egy olyan tanító adathalmazra volt szükség, ahol ismertek voltak ezek a paraméterek.
Az adatgeneráláshoz a ROS (Robot Operating System) környezetben lévő Gazebo szimulátort használtam. Matlab segítségével létrehoztam a szimulációs környezetet, aminek a közepén egy 2D Lidar található, valamint véletlenszerű pozíciókban elhelyezett labdák, amik véletlenszerűen is mozognak. A szenzor adatok és a labdák pozíciója (x, y koordináta, valamint a sugár) lettek a tanító mintapont párok.
A tanításhoz Matlabot és Pythont használtam, a felügyelt tanítás esetében, a tanított modell kimeneti értékei a legközelebbi labda paraméterei lettek. Több fajta neurális hálót is használtam, de a legjobb eredményt a konvolúciós neurális hálóval értem el, viszont az volt a probléma, hogy csak egy labda lehet kimenet, a lidarhoz legközelebbi. Ezért egy másfajta tanítást alkalmaztam, a felügyelet nélküli tanítást. Ezen belül is a konvolúciós autoenkóder struktúrát használtam, aminél a bemenet változatlan, ugyanúgy a lézernyalábok hosszértékei, a kimenet pedig minden egyes hosszértékhez tartozó valószínűségi érték, hogy az adott lézernyaláb labda, vagy nem labda. Így már minden egyes labdát érzékelni lehetett. Tesztelve a neurális hálót a labdákat kockákkal helyettesítettem, azonban ebben az esetben is jól teljesített, szóval másfajta akadályokkal szemben is működőképes.
