Das Ziel dieses Projekts ist die raumkontinuierliche Umgebungsdarstellung mit semantischen Informationen und unter Berücksichtigung des Unsicherheitsfaktors. Der Vorteil liegt hier in der Fähigkeit der geometrischen und kontextuellen Erfassung und Auswertung innerhalb eines probabilistischen Rahmens. Daraus werden neue Navigationsstrukturen für die Raumexploration, das autonome Fahren und die Szenenrekonstruktion hervorgehen können.
• Prof. Teresa Vidal-Calleja, University of Technology, Sydney • Cedric LeGentil, University of Technology, Sydney
Projektdetails
Autonome Roboter benötigen detailreiche und zuverlässige Darstellungen der Umgebung, um mit der Welt interagieren und zugewiesene Aufgaben durchführen zu können, insbesondere in unbekannten Szenen bzw. Szenarien. Heute verlassen sich mehrere robuste Echtzeit-Navigationsstrategien für diese Art Roboter noch ausschließlich auf diskrete geometrische, manchmal probabilistische, Informationen der Umgebung, da hochkontextuelle Darstellungen im Allgemeinen teurer in der Berechnung und anfälliger für Fehler sind. Darüber hinaus sind allgemein extrahierte semantische Darstellungen selten von probabilistischer Natur. Das Ziel dieses Projekts ist die Untersuchung der Theorie und der Algorithmen für die Schaffung einer raumkontinuierlichen Umgebungsdarstellung mit semantischen Informationen und unter Berücksichtigung der Unsicherheit. Die zentrale Idee ist die Entwicklung eines parallel ablaufenden Lernprozesses, der die Gauß-Prozess-Regression zur probabilistischen und kontinuierlichen Modellierung und die aktiven Lernstrategien zur Extraktion der Semantik vereint. Der Vorteil einer solchen Darstellung ist die Fähigkeit, Geometrie und – gleichzeitig – Kontext innerhalb eines probabilistischen Rahmens auszuwerten und so weniger überbestimmte semantische Informationen zu erzeugen. Solche Darstellungen werden die kommende Generation von Navigationsstrukturen für die Raumexploration, das autonome Fahren und die Szenenrekonstruktion ermöglichen.