In progress

Segmentacija oblaka točaka iz LIDAR-a (Segmentation of LIDAR pointcloud)

student: Andro Malobabić

Postizanje potpune autonomije pomorskih plovila u stvarnim uvjetima izazovan je zadatak koji zahtjeva adaptaciju dinamičnom okruženju. Tijekom plovidbe kao prepreke se javljaju statički objekti kao što su kopno, molovi ili statičke strukture, te dinamički objekti kao što su druga plovila, plutajući objekti ili ljudi. Neka plovila i usidrene bove imaju sustav za automatsku identifikaciju (AIS) putem kojeg okolnim plovilima dojavljuju podatke o svojem kretanju, ali dosta statičkih i dinamičkih objekata nemaju tu funkcionalnost. Sigurna navigacija u ovako dinamičnom okruženju zahtjeva perceptivne senzore kao što su radar, lidar, kamere i slično.

Mjerenja s lidara pokazuju udaljenosti od svih objekata oko lidara, predstavljena kao oblak točaka. Takva se mjerenja mogu iskoristiti za detekciju i izbjegavanje objekata u koje plovilo potencijalno može udariti i time prouzročiti štetu.

Potrebno je razviti algoritam za semantičku segmentaciju oblaka točaka prikupljenih lidarom. Izlaz iz algoritma je razdvojen oblak točaka na statičke i dinamičke objekte. Algoritam je potrebno testirati i validirati na anotiranom sintetičkom ili pravom setu podataka.

 

Detekcija pomorskih markera korištenjem kamera (Detection of sea markers using cameras)

student: Maja Magdalenić

Postizanje potpune autonomije pomorskih plovila u stvarnim uvjetima izazovan je zadatak koji zahtjeva adaptaciju dinamičnom okruženju. Tijekom plovidbe u blizini luka ili u kanalima postoje mjesta označena pomorskim markerima gdje je potrebno posvetiti posebnu pozornost. Neki od tih markera su indikatori područja gdje je dubina premala za sigurni prolazak. Ti markeri u ovisnosti o svojoj boji i obliku određuju kako treba postupati tijekom navigacije oko njih. Za sigurnu autonomnu navigaciju u ovakvom okruženju potrebno je detektirati gdje se nalaze postavljeni markeri kako bi upravljački sustav mogao sukladno reagirati. Najlakši način detekcije koristi kameru. Čovjek tijekom plovidbe lako uočava postavljene markere, dok je to računalu nešto zahtjevniji zadatak.

Potrebno je razviti algoritam za detekciju različitih markera u video slici. Markere je potrebno locirati u slici i odrediti koji tip markera je pronađen. Potrebno je generirati anotirani set podataka na kojem će se validirati razvijeni algoritam te prikazati statističku analizu uspješnosti algoritma.

Daljinsko upravljanje bespilotnom ronilicom spojenom na autonomni katamaran (Remote control of ROV connected to autonomous catamaran)

 

student: Jura Vuković

U sklopu rada potrebno je implementirati ručno upravljanje bespilotnom ronilicom korištenjem komandne palice. Bespilotnu ronilicu potrebno je integrirati na autonomni katamaran tako da se operater spoji na istu bežičnu mrežu na kojoj je I autonomni katamaran, te da se sve komande s komandne palice prosljeđuju od operaterovog računala preko mrežne opreme na katamaranu do ronilice koja je kabelom spojena na katamaran. Također, potrebno je dizajnirati grafičko korisničko sučelje koje će u stvarnom vremenu prikazivati video koji ronilica snima, uz mogućnost mijenjanja parametara ronilice preko istog sučelja.

Pozicioniranje bespilotne ronilice u odnosu na mrežu kaveza u ribogojilištu (Visual servoing of an ROV relative to the fish cage net)

student: Matej Fabijanić

Jedan od bitnijih segmenata situacijske svjesnosti daljinski upravljane ronilice korištene u svrhe autonomne inspekcije mreža ribogojilišta je i održavanje približno konstantne udaljenosti od mreže kaveza kako bi se snimka napravila što uniformnije. Pred toga, potrebno je detektirati I vertikalne konope koji se pružaju od površine do dna kaveza, a koji ronilici mogu koristiti kao orijentiri prilikom snimanja stanja obraštaja I/ili oštećenja kaveza. Online obrada snimki kamere visoke razlučivosti ronilice koristi se kao povratna sprega prilikom upravljanja ronilicom. Dakle, potrebno je implementirati metode obrade slike I upravljanja korištenjem postojećeg Blueye SDK-a kao osnove za komunikaciju s ronilicom, dobivanja I slanja podataka iste; ROS2 okvira za integraciju svih modula; te algoritme obrade slike korištenjem OpenCV-a I/ili konvolucijskih neuronskih mreža TensorFlowa (ili nekog drugog okvira za duboko učenje).

 

Praćenje pokretnih podvodnih objekata korištenjem sonara (Underwater sonar target tracking)

student: Goran Borković

Za omogućavanje kolaboracije čovjek-robot u podvodnom svijetu ključno je da robot posjeduje kvalitetnu informaciju o poziciji ronioca. Budući da vidljivost pod vodom nije uvijek na dovoljno dobroj razini da bi se za percepciju robota koristile kamere, za detekciju ronioca ili drugih objekata nerijetko se koristi sonar. Iz sonarske slike se uz pomoć konvolucijskih neuronskih mreža detektiraju objekti u slici što pruža informaciju o udaljenosti i kutu prema objektu relativno u odnosu na podvodno vozilo. U scenarijima u kojima je svrha autonomnog podvodnog robota je da asistira, prati ili navodi ronioca do odredišta prijeko je potrebno održavati adekvatnu sigurnosnu udaljenost od ronioca. Cilj ovog rada je korištenjem podataka o detektiranim objektima u sonarskoj slici implementirati algoritme upravljanja podvodnim vozilom za održavanje udaljenosti i praćenje pokretnog objekta na primjeru ronioca. 

 


On offer

Repository