Projekti / Programi
Adaptivne globoke metode zaznavanja za avtonomna plovila
| Koda |
Veda |
Področje |
Podpodročje |
| 2.07.07 |
Tehnika |
Računalništvo in informatika |
Inteligentni sistemi - programska oprema |
| Koda |
Veda |
Področje |
| 1.02 |
Naravoslovne vede |
Računalništvo in informatika |
Avtonomna plovila, računalniški vid, globoke metode, panoptično zaznavanje, zlivanje modalnosti
Podatki za zadnjih 5 let (citati za zadnjih 10 let) na dan
26. april 2024;
A3 za obdobje
2018-2022
Podatki za razpise ARIS (
04.04.2019 - Programski razpis,
arhiv
)
| Baza |
Povezani zapisi |
Citati |
Čisti citati |
Povprečje čistih citatov |
| WoS |
137 |
6.674 |
6.352 |
46,36 |
| Scopus |
172 |
9.165 |
8.719 |
50,69 |
Raziskovalci (10)
| št. |
Evidenčna št. |
Ime in priimek |
Razisk. področje |
Vloga |
Obdobje |
Štev. publikacijŠtev. publikacij |
| 1. |
50367 |
Borja Bovcon |
Računalništvo in informatika |
Raziskovalec |
2020 - 2021 |
19 |
| 2. |
30155 |
dr. Matej Kristan |
Računalništvo in informatika |
Vodja |
2020 - 2024 |
327 |
| 3. |
39227 |
dr. Alan Lukežič |
Računalništvo in informatika |
Raziskovalec |
2020 - 2024 |
51 |
| 4. |
25049 |
mag. Dean Mozetič |
Računalništvo in informatika |
Raziskovalec |
2020 - 2024 |
15 |
| 5. |
50843 |
Jon Natanael Muhovič |
Računalništvo in informatika |
Raziskovalec |
2020 - 2024 |
23 |
| 6. |
21310 |
dr. Janez Perš |
Sistemi in kibernetika |
Raziskovalec |
2020 - 2024 |
238 |
| 7. |
18198 |
dr. Danijel Skočaj |
Računalništvo in informatika |
Raziskovalec |
2020 - 2024 |
309 |
| 8. |
34398 |
dr. Domen Tabernik |
Računalništvo in informatika |
Raziskovalec |
2020 - 2024 |
50 |
| 9. |
20683 |
Aljoša Žerjal |
Fizika |
Raziskovalec |
2020 - 2024 |
50 |
| 10. |
55002 |
Lojze Žust |
Računalništvo in informatika |
Raziskovalec |
2020 - 2024 |
22 |
Organizacije (3)
Povzetek
Avtonomna robotika je hitro rastoča raziskovalna disciplina, ki odpira nove znanstvene in tehnične izzive. Večina raziskav se posveča samovozečim kopenskim vozilom in raziskovanju vesolja, medtem ko je precej manj pozornosti namenjene vodni robotiki. S pričo dejstva, da se 90% svetovnega blaga prevaža s plovili, se zanimanje za razvoj zmogljive avtonomije za brezpilotna površinska vozila (angl., unmanned surface vehicles, USV) povečuje. Ključni element za avtonomno delovanje je zaznavanje okolja. Na sorodnem področju avtonomnih vozil (AV) so napredkom v metodah zaznavanja botrovale predvsem globoke metode strojnega učenja, ki omogočajo celovito učenje kompleksnih funkcij, potrebnih za zanesljivo delovanje. Večina metod zaznavanja za USV pa je ročno izdelanih ali pa uporabljajo globoke modele pred-naučene na splošno-namenskih RGB podatkovnih zbirkah. Te zbirke pa niso dovolj za razvoj kompleksnih modelov, potrebnih za zelo dinamično morsko okolje s spremenljivo osvetlitvijo, pogostimi zrcalnimi odsevi in meglico. Pomanjkanje velikih in raznolikih večmodalnih podatkovnih množic, ki bi odražale obnašanje značilnih modalitet USV senzorjev v morskem okolju onemogoča možnost popolnega treniranja metod za delovanje v tako kompleksnih okoljih. Naslednja težava pri prednaučenih modelih je omejena sposobnost posploševanja. Sprememba senzorjev ali uporaba prednaučenih metod na novi lokaciji (npr. Premik AV-ja iz mesta v podeželsko okolje) običajno zahteva ponoven zajem in ponovno anotacijo nabora podatkov za ponovno učenje modelov, kar je zamudno in drago. Ta problem je še posebej izrazit v vodnem okolju. Naš cilj je razviti novo generacijo metod zaznavanja v vodnem okolju, ki bodo izkoriščale moč polno-učenih globokih modelov. Naslovili bomo raziskovalne izzive ključe za varno delovanje USV: (i) detekcija splošnih ovir, (ii) dolgoročno sledenje s ponovno identifikacijo, (iii) implicitno odkrivanje nevarnih območij in (iv) večmodalno spajanje senzorjev. Poseben poudarek bo na prilagodljivosti modelov in samonadzorovanem prilagajanju novim okoljem. Za lažji razvoj modelov nove generacije bomo zajeli novo večmodalno podatkovno zbirko. Projekt bo sestavljen iz šestih delovnih paketov. Adaptivni globoki modeli za robustno detekcijo ovir (WP1); Algoritmi sledenja s segmentacijo združljivi z arhitekturo zaznavanja ovir (WP2); Nove učljive globoke metode za zlivanje senzorjev (WP3); Izdelali bomo velike večmodalne podatkovne zbirke za učenje in objektivno vrednotenje globokih modelov v realističnih scenarijih (WP4); Dva delovna paketa (WP5 in WP6) bosta vsebovala podporne dejavnosti, kot so razširjanje rezultatov in upravljanje projekta. V projekt bodo vključeni trije partnerji: Laboratorij za vizualne kognitivne sisteme na Fakulteti za računalništvo in informatiko Univerze v Ljubljani (ViCoS), Laboratorij za strojno inteligenco na Fakulteti za elektrotehniko Univerze v Ljubljani (LMI) in Raziskovalna skupina SIRIO d.o.o. Člani ViCoS se bodo osredotočili na prilagodljivo semantično segmentacijo za zaznavanje in sledenje, člani MVL pa se bodo osredotočili na globoko fuzijo senzorjev, samodejno kalibracijo in odkrivanje nevarnosti. Člani SIRIO d.o.o. že več kot desetletje razvijajo brezpilotna plovila. Odgovorni bodo za vključitev sistema v svoje plovilo, pridobivanje podatkovnih zbirk in validacijo izbranih metod na njihovem USV. Kombinacija strokovnjakov s področja računalniškega vida in strojnega učenja ter specifičnega znanja v razvoju robotskih čolnov bo zagotovila uspeh projekta.
