Városi Lidar pontfelhő objektumok mély tanulás alapú osztályozása

A jelenleg fejlesztés alatt álló önvezető autók környezetérzékelésének egyik kulcskérdése különböző utcai objektumok azonosítása. A mozgó autóra helyezhető Lidar szenzor olyan mérési sorozatot szolgáltat, ahol az egyes képkockák háromdimenziós pontfelhők, koordinátarendszerük pedig a jármű haladását követve változik. Így közvetlenül nyerhetünk pontos 4D (tér+idő) geometriai információt a helyszínről, azonban a ritka pontfelhősorozatok elemzése és értelmezése számos ponton összetettebb megközelítést kíván, mint a statikus térbeli mérések vagy a hagyományos 2D képek sorozatainak kezelése.

A mély tanulás (deep learning) számos modern gépi tanulásra alkalmas algoritmus gyűjtőneve, alkalmazásával jelentős eredményeket értek el képek, vagy hangok osztályozásánál nagy adatbázisokat felhasználva. A mély tanulás hatékony megoldás lehet a pontfelhő alapú objektumfelismerésre is, azonban a szakirodalmi eredmények alapján a kapcsolódó kutatások egyelőre egy viszonylag kezdeti fázisnál tartanak.

Dolgozatomban először bemutatom a Lidar alapú érzékelési technológia és a mély tanulás alapú objektumfelismerés elvét valamint az utóbbival elért eddigi eredményeket. Vázolom az általam tervezett keretrendszert, ami Lidar felvételeken szereplő lehetséges alakzatok osztályozását végzi el. A megvalósított szoftver egy publikusan elérhető pontfelhő adatbázison elért teszteredményeit elemzem és prezentálom. A keretrendszer és a szoftvert kiértékelem, különös tekintettel a megvalósított funkciók gyakorlati felhasználhatóságára.

szerző

• 
  Zsámboki Richárd
  Villamosmérnöki szak, mesterképzés
  mesterképzés (MA/MSc)

konzulens

• 
  Dr. Benedek Csaba
  doktorandusz témavezető, Irányítástechnika és Informatika Tanszék

helyezés