Predikce časoprostorových dějů pomocí umělých neuronových sítí
Spatio-temporal prediction using artificial neural networks
Typ dokumentu
bakalářská prácebachelor thesis
Autor
Jiří Pihrt
Vedoucí práce
Šimánek Petr
Oponent práce
Hrabáková Jitka
Studijní obor
Znalostní inženýrstvíStudijní program
Informatika 2009Instituce přidělující hodnost
katedra aplikované matematikyPráva
A 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.htmlVysokoškolská 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.html
Metadata
Zobrazit celý záznamAbstrakt
Tato práce aplikuje metody predikce časoprostorových dějů na problém predikce pohybu účastníků provozu pro autonomní vozidla. Sekvence umělých rasterizovaných snímků z ptačího pohledu jsou použity jako vstup do neuronových sítí, které jsou natrénovány k predikování nejpravděpodobnějšího pokračování dané sekvence. Dataset Lyft Motion Prediction for Autonomous Vehicles je prozkoumán a upraven pro tento úkol. Několik typů neuronových sítí, zejména ConvLSTM, PredRNN, PhyDNet a U-Net, je prozkoumáno, natrénováno a jejich výsledky porovnány. This thesis applies the methods of spatiotemporal prediction to the task of predicting the motion of traffic participants for autonomous vehicles. A sequence of bird’s-eye view artificial rasterized frames are used as input to neural networks which are trained to predict the most probable continuation of the sequence. The Lyft Motion Prediction for Autonomous Vehicles dataset is explored and adapted for this task. Several neural network architectures, namely ConvLSTM, PredRNN, PhyDNet, and U-Net, are researched, trained and their results compared.
Kolekce
- Bakalářské práce - 18105 [295]