Önvezető (modell) járművek fejlesztése mélytanulás alapú technológiával

Abstract

A dolgozat az autonóm navigáció problémáját vizsgálja, különös tekintettel a SLAM (Simultaneous Localization and Mapping) keretrendszerre. A központi kihívás abban rejlik, hogy a robot zajos és hiányos szenzoradatok alapján egyszerre határozza meg saját helyzetét, miközben térképet is épít a környezetéről. A munka bemutatja a klasszikus lokalizációs módszerek korlátait, és rávilágít a valószínűségi megközelítések szükségességére. A SLAM matematikai háttere a Bayes-szűrésen keresztül kerül ismertetésre, beleértve a mozgás- és mérési modelleket, valamint a bizonytalanság kezelését. A dolgozat áttekinti a különböző algoritmikus megközelítéseket, többek között a LIDAR-alapú, kamera-alapú és optimalizációs módszereket. Kiemelt szerepet kapnak a modern szenzorfúziós eljárások, amelyek több szenzor adatainak kombinálásával növelik a rendszer robusztusságát és pontosságát. Az eredmények alapján megállapítható, hogy a megfelelő SLAM módszer kiválasztása nagymértékben függ az alkalmazási környezettől, a rendelkezésre álló szenzoroktól és a rendszer követelményeitől.