Näkökykyyn perustuvien autonomisten maakulkuneuvojen edistäminen: Syväoppimisen sovellukset parannettuun havainnointiin ja erityisiin teollisuuden tehtäviin
Väitöstilaisuuden tiedot
Väitöstilaisuuden päivämäärä ja aika
Väitöstilaisuuden paikka
IT115
Väitöksen aihe
Näkökykyyn perustuvien autonomisten maakulkuneuvojen edistäminen: Syväoppimisen sovellukset parannettuun havainnointiin ja erityisiin teollisuuden tehtäviin
Väittelijä
Tietotekniikan tohtorikoulutuksen tutkinto-ohjelma Siva Ariram
Tiedekunta ja yksikkö
Oulun yliopiston tutkijakoulu, Tieto- ja sähkötekniikan tiedekunta, Biomimetiikka ja älykkäät järjestelmät
Oppiaine
Aktiivinen tunnistus robottien kanssa
Vastaväittäjä
Professori Konstantinos Alexis, Norwegian University of Science and Technology
Kustos
Professori Juha Röning, Oulun yliopisto
Näkökykyyn perustuvien autonomisten maakulkuneuvojen edistäminen: Syväoppimisen sovellukset parannettuun havainnointiin ja erityisiin teollisuuden tehtäviin
Näköohjattavien maarobottiajoneuvojen suorituskyky on itse asiassa kriittinen näkökohta eri sovellusalueilla. Nämä robotit tukeutuvat usein visuaalisiin antureihin suorittaakseen annetun tehtävän, vuorovaikuttaakseen ympäristönsä kanssa ja navigoidakseen tiettyihin
kohdepaikkoihin. Syväoppimistekniikoita on otettu yhä useammin käyttöön autonomisten maarobottien havainnointitehon parantamiseksi. Näiden mallien käyttöönotto autonomisissa maaroboteissa on kuitenkin edelleen avoin tutkimusalue.
Tässä väitöskirjassa esitellään näköohjattavien robottien uusia sovelluksia eri
teollisuudenaloilla. Sen tavoitteena on avata hyötyjä, joita saadaan soveltamalla
syväoppimistekniikoita tiettyihin sovelluksiin räätälöityjen robottitoimintojen suorituskyvyn lisäämiseksi. Ehdotetut tekniikat mahdollistavat maarobottiajoneuvojen käytön erikoistuneemmissa sovelluksissa, kuten teiden kunnossapitotarkastuksissa,
rakennustarkastuksissa ja roskien lajittelussa. Tutkimuksessa esitellään tekoälysovellusten vaiheittainen toteutus robotiikan alalla. Aloittamalla alusta tietokokonaisuuksien luomisesta, johon kuuluu tietojen kerääminen ja merkitseminen, mahdollistetaan tietoon perustuva päätöksenteko erityisiä sovelluksia varten. Tällä lähestymistavalla varmistetaan, että näköohjatut robottijärjestelmät koulutetaan olennaisilla ja edustavilla tiedoilla, mikä johtaa tarkempaan ja tehokkaampaan suorituskykyyn reaalimaailman skenaarioissa.
Lisäksi integroimalla semanttista tietoa 3D-esitykseen lähestymistapa parantaa merkittävästi autonomisen navigoinnin suorituskykyä. Integroinnin ansiosta ympäristöstä saadaan kattavampi käsitys, minkä ansiosta autonominen järjestelmä voi tehdä tietopohjaisempia ja tarkempia päätöksiä.
Tämä tutkimus edistää robotiikan ja tekoälysovellusten kehitystä ja tasoittaa tietä
tehokkaammille ja erikoistuneemmille robottitoiminnoille.
kohdepaikkoihin. Syväoppimistekniikoita on otettu yhä useammin käyttöön autonomisten maarobottien havainnointitehon parantamiseksi. Näiden mallien käyttöönotto autonomisissa maaroboteissa on kuitenkin edelleen avoin tutkimusalue.
Tässä väitöskirjassa esitellään näköohjattavien robottien uusia sovelluksia eri
teollisuudenaloilla. Sen tavoitteena on avata hyötyjä, joita saadaan soveltamalla
syväoppimistekniikoita tiettyihin sovelluksiin räätälöityjen robottitoimintojen suorituskyvyn lisäämiseksi. Ehdotetut tekniikat mahdollistavat maarobottiajoneuvojen käytön erikoistuneemmissa sovelluksissa, kuten teiden kunnossapitotarkastuksissa,
rakennustarkastuksissa ja roskien lajittelussa. Tutkimuksessa esitellään tekoälysovellusten vaiheittainen toteutus robotiikan alalla. Aloittamalla alusta tietokokonaisuuksien luomisesta, johon kuuluu tietojen kerääminen ja merkitseminen, mahdollistetaan tietoon perustuva päätöksenteko erityisiä sovelluksia varten. Tällä lähestymistavalla varmistetaan, että näköohjatut robottijärjestelmät koulutetaan olennaisilla ja edustavilla tiedoilla, mikä johtaa tarkempaan ja tehokkaampaan suorituskykyyn reaalimaailman skenaarioissa.
Lisäksi integroimalla semanttista tietoa 3D-esitykseen lähestymistapa parantaa merkittävästi autonomisen navigoinnin suorituskykyä. Integroinnin ansiosta ympäristöstä saadaan kattavampi käsitys, minkä ansiosta autonominen järjestelmä voi tehdä tietopohjaisempia ja tarkempia päätöksiä.
Tämä tutkimus edistää robotiikan ja tekoälysovellusten kehitystä ja tasoittaa tietä
tehokkaammille ja erikoistuneemmille robottitoiminnoille.
Viimeksi päivitetty: 22.10.2024