Vi söker en exjobbare med intresse för maskininlärning, bildbehandling och/eller sensorfusion. Examensarbetet fokuserar på att implementera SLAM-algoritmer baserade på djupinlärning och jämföra deras prestanda mot traditionella metoder.
Din roll
Bakgrund
Simultaneous Localization and Mapping (SLAM) är en teknik som gör det möjligt för en robot eller ett fordon att samtidigt kartlägga en okänd miljö och bestämma sin egen position i denna. En central komponent i stereo-SLAM är punktmatchning mellan två bilder för att genom triangulering beräkna djupinformation och därmed skapa en 3D-karta över omgivningen.
Ett vanligt problem i stereo-SLAM är att bristande textur och låg kontrast i bilderna kan försvåra punktmatchningen, vilket leder till sämre noggrannhet vid triangulering. En potentiell lösning är att använda djupinlärningsalgoritmer för att generera djupkartor direkt från enskilda bilder, som sedan kan användas för att förbättra noggrannheten i SLAM-processen.
Djupinlärningsbaserade djupkartor kan användas i mono-SLAM för att approximera avstånd eller som ett komplement i stereo-SLAM för att skapa en mer robust djupkarta.
Beskrivning av examensarbetet
Examensarbetet syftar till att undersöka och implementera djupinlärningsmetoder för monokulär djupestimering och analysera deras potential i SLAM-algoritmer. En del av arbetet kommer att fokusera på att jämföra dessa metoder med traditionella stereo-SLAM tekniker, med avseende på noggrannhet, robusthet och beräkningsprestanda. En väg att ta är även att implementera Mono-SLAM med hjälp av djupkartan, och jämföra prestanda och rörelseestimering mot traditionell stereo-SLAM.
https://liu.diva-portal.org/smash/get/diva2:1845865/FULLTEXT01.pdf
https://www.diva-portal.org/smash/get/diva2:1347284/FULLTEXT01.pdf
Exempel på forskningsfrågor
- Hur påverkar användningen av djupinlärningsbaserade djupkartor precisionen och robustheten i SLAM-algoritmer jämfört med traditionella stereo-SLAM-metoder?
- Vilka är de största fördelarna och nackdelarna med att använda monokulär djupestimering via djupinlärning i olika typer av miljöer (texturrika vs. texturfattiga miljöer så som under vatten)?
Din profil
Arbetet är lämpligt för 1–2 studenter i slutet av er teknisk fysik- eller datorteknik-utbildning (eller motsvarande) och ska påbörja ert 30 hp examensarbete. Erfarenheter inom bildbehandling, maskinlärning, och programmering är meriterande.
Befattningen kräver att du genomgår och godkänns enligt vid var tid gällande bestämmelser för säkerhetsskydd. För befattningar där Saab har krav på säkerhetsklassinplacering kan, i förekommande fall, medföra krav på visst medborgarskap.
Vad du blir en del av
Saab Dynamics har en lång tradition inom bildbehandlingsområdet och sektionerna för bildbehandling samt optronik & bildbaserad navigering handleder årligen ett antal exjobbare inom området. I dagsläget är vi ca 28 personer mellan sektionerna och arbetar med allt från elektrooptiska sensorer till realtidsimplementering av våra bildbehandlingsapplikationer.
Det här exjobbsförslaget är ett av dem som kommer att presenteras vid Saab Dynamics exjobbskväll den 9/10 (anmälan: https://forms.office.com/e/CbJZkqJ8ss). Rekrytering kommer att ske löpande med start efter exjobbskvällen”
Kontaktpersoner
Hans Holmgren, Sektionschef Bildbehandling
0734-186532
Jimmy Cedervall Lamin, kontaktperson/handledare
0707294946
Simon Wold, kontaktperson/handledare
0736524170
Vänligen observera att vi arbetar med löpande urval och tjänsten kan komma att tillsättas innan sista ansökningsdatum har gått ut.