Show simple item record

Machine Learning for Robotic Exploration



dc.contributor.advisorAgishev Ruslan
dc.contributor.authorJáchym Staněk
dc.date.accessioned2022-05-31T22:52:28Z
dc.date.available2022-05-31T22:52:28Z
dc.date.issued2022-05-31
dc.identifierKOS-1062775374605
dc.identifier.urihttp://hdl.handle.net/10467/100864
dc.description.abstractTato práce navrhuje, implementuje a vyhodnocuje nový způsob trénování sítí pro doplňování hloubky pomocí chyby rekonstrukce mapy. Byl také implementován tradiční způsob trénování hloubkových doplňovacích sítí pomocí MSE a obě metody byly porovnány. Do učebního procesu jsme zahrnuli modul diferencovatelného hustého SLAMu a model jsme vyhodnotili na datové sadě KITTI. Implementovali jsme síť pro doplňování hloubky, aby byl vstup do SLAMu hustší a poskytl tak více korespondencí, se kterými lze pracovat. Pomocí sítě pro doplňování hloubky jsme byli schopni získat hustší hloubkové mapy. Trénování s chybou rekonstrukce mapy přineslo podobné výsledky jako tradiční metody. Hustší data nezvýšila přesnost lokalizace SLAM, a to hlavně proto, že model vytvořil příliš mnoho odlehlých hodnot a ztížil práci pro SLAM.cze
dc.description.abstractThis work, we proposes, implements and evaluates a novel way to train depth completion networks using map reconstruction error. A traditional way to train depth completion networks with MSE was also implemented, and both methods were compared. We have included a differentiable dense SLAM module in our learning pipeline and evaluated the model on the KITTI dataset. We introduced depth completion network to make input to SLAM more dense in order to provide more correspondences to work with. Using the depth completion network, we were able to obtain denser depth maps. Training with the map reconstruction error yielded results similar to those of traditional methods. Denser data did not increase SLAM localization accuracy, this was mainly because the model introduced too many outliers and made it difficult for SLAM to work.eng
dc.publisherČeské vysoké učení technické v Praze. Vypočetní a informační centrum.cze
dc.publisherCzech Technical University in Prague. Computing and Information Centre.eng
dc.rightsA university thesis is a work protected by the Copyright Act. Extracts, copies and transcripts of the thesis are allowed for personal use only and at one?s own expense. The use of thesis should be in compliance with the Copyright Act http://www.mkcr.cz/assets/autorske-pravo/01-3982006.pdf and the citation ethics http://knihovny.cvut.cz/vychova/vskp.htmleng
dc.rightsVysokoškolská závěrečná práce je dílo chráněné autorským zákonem. Je možné pořizovat z něj na své náklady a pro svoji osobní potřebu výpisy, opisy a rozmnoženiny. Jeho využití musí být v souladu s autorským zákonem http://www.mkcr.cz/assets/autorske-pravo/01-3982006.pdf a citační etikou http://knihovny.cvut.cz/vychova/vskp.htmlcze
dc.subjectStrojové učenícze
dc.subjectSLAMcze
dc.subjectDoplnění hloubkycze
dc.subjectKITTIcze
dc.subjectMachine learningeng
dc.subjectSLAMeng
dc.subjectDepth completioneng
dc.subjectKITTIeng
dc.titleStrojové učení pro robotickou exploracicze
dc.titleMachine Learning for Robotic Explorationeng
dc.typebakalářská prácecze
dc.typebachelor thesiseng
dc.contributor.refereePetráček Pavel
theses.degree.grantorkatedra kybernetikycze
theses.degree.programmeKybernetika a robotikacze


Files in this item




This item appears in the following Collection(s)

Show simple item record