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.

Veda

Tehnika

Letni obseg

1,8 FTE (od tega 1,12 za UL FRI)

Sodelujoče raziskovalne organizacije

Fakulteta za računalništvo in informatiko, UL

Fakulteta za elektrotehniko, UL

Sirio d.o.o.

Sestava projektne skupine

izr. prof. dr. Matej Kristan (vodja)

doc. dr. Janez Perš (Vodja na Fakulteti za elektrotehniko)

izr. prof. dr. Danijel Skočaj

mag. Borja Bovcon

mag. Alan Lukežič

mag. Jon Natanael Muhovič

mag. Mozetič Dean

Aljoša Žerjal Enej Ilievski

Faze projekta

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. Projekt se bo odvil v treh enoletnih fazah

Bibliografske reference projekta

Financerji

Javna agencija za raziskovalno dejavnost Republike Slovenije