Sirvi Autor "Sepp, Edgar, juhendaja" järgi

Nüüd näidatakse 1 - 7 7

Drooni fotogramm-meetria rakendamine kõrgusmudelite ja ortofotode loomiseks Raadi karjääri näitel
(Tartu Ülikool, 2016) Huul, Kaspar; Sepp, Edgar, juhendaja; Tartu Ülikool. Geograafia osakond; Tartu Ülikool. Loodus- ja tehnoloogiateaduskond
Georeferenced Visual SLAM
(Tartu Ülikool, 2023) Mägi, Erik; Matiisen, Tambet, juhendaja; Sepp, Edgar, juhendaja; Tartu Ülikool. Loodus- ja täppisteaduste valdkond; Tartu Ülikool. Arvutiteaduse instituut
This thesis presents a complementary localization solution for taxis and ride-hailing operators in situations where GNSS is unavailable or unreliable. The proposed method leverages monocular visual SLAM techniques, specifically the ORB-SLAM 3 library, to create a map of the environment and localize within it. The system uses a car-mounted camera for image capture and an advanced GNSS receiver to record accurate ground truth. This data is then used as input for training a deep learning model to transform SLAM coordinates into georeferenced coordinates. The thesis explores different approaches to solving the coordinate transformation problem, including linear transformation, machine learning regression algorithms, and deep learning with neural networks. Results show that the deep learning based approach provides the best localization accuracy, surpassing that of modern smartphone GNSS. The study contributes a practical solution for real-time localization for ride-hailing operators when GNSS is compromised, with the potential for future implementation using smartphone cameras.
Lane Centerline Detection from Orthophotos using Transformer Networks
(Tartu Ülikool, 2024) Pilve, Karl-Johan; Matiisen, Tambet, juhendaja; Sepp, Edgar, juhendaja; Tartu Ülikool. Loodus- ja täppisteaduste valdkond; Tartu Ülikool. Arvutiteaduse instituut
Sõiduradade andmeid sisaldav täppiskaart on isejuhtivate sõidukte opereerimisel väga oluline komponent. Samas on täppiskaardi loomine suurema ala kohta sageli ajakulukas ning töömahukas protsess. Hiljuti on transformeri arhitektuuri kasutavad tehisnärvivõrgud näidanud paljulubavaid tulemusi masinnägemise valdkonnas. Üks selline näide on RNGDet, mis genereerib iteratiivselt teedevõrgu graafi aerofotode põhjal. Käesolevas töös uuritakse võimalust peenhäälestada RNGDet mudelit sõiduradade andmetega, et genereerida kogu Tartu linna kattev sõiduradade graaf kasutades kõrge resolutsiooniga ortofotosid. Töös saadud tulemused näitavad, et RNGDeti on põhimõtteliselt võimalik kasutada sõiduradade graafi genereerimiseks. Samas oleks mudeli arhitektuuris vaja tõenäoliselt teha suuremaid muudatusi, et võtta arvesse teedevõrgu ja sõiduradade andmete vahelisi erinevusi. Kuna ortofotodel ei pruugi alati olla kogu vajaliku informatsioon sõiduradade õigesti genereerimiseks, siis kõige paremaid tulemusi andis mudel, mis kasutas ortofotodele rasterdatud mõõdistussõiduki poolt kogutud töötlemata GPS trajektoore. Saadud tulemused näitavad veel, et täppiskaardi jaoks sobiva kvaliteediga sõiduradade genereerimiseks oleks vaja koguda täiendavaid treeningandmeid.
Semi-automatic generation of Lanelet2 maps for autonomous driving
(Tartu Ülikool, 2023) Sagris, Valentina; Sepp, Edgar, juhendaja; Matiisen, Tambet, juhendaja; Tartu Ülikool. Loodus- ja täppisteaduste valdkond; Tartu Ülikool. Arvutiteaduse instituut
High-definition (HD) maps are essential in autonomous driving (AD) by providing data about the static driving environment for vehicle localisation, route planning, perception and manoeuvre decision-making. To conduct research in autonomous driving, the Autonomous Driving Lab (ADL) of the University of Tartu needs HD maps. This thesis presents the database structure and the effective workflow for the semi-automatic generation of HD map elements. In particular, it tests the capability of the PostGIS spatial database in helping to minimise manual work. The main goals of this thesis can be summarised into the following topics. The ADL's previous mapping efforts were overviewed, and the unified database design for storing spatial data required in various HD map formats was proposed. Then previously collected data was used to develop an algorithm for the semi-automatic generation of missing elements – spatial features needed to construct proper lanelets, the fundamental primitives of maps in Lanelet2 format. Further on, the Lanelet2 requirements for the shared bounds and auto-mated finding of semantic relationships between primitives that constitute a lanelet were addressed. The critical step here was producing spatial elements, which we call 'relations' that establish the spatial relationships between a centreline and its bounds in the database. Finally, the data converter for HD maps in Lanelet2 format was proposed. It transforms spatial primitives of PostGIS into primitives of Lanelet2, which are nodes, ways and relations. Due to PostgreSQL's capability to store the XML datatype, elements for each primitive were created in the database. Further on, the database was accessed from the python script, where XML root was made, and the following elements were loaded from the database into the root to create a proper Lanelet2 file. The workflow was tested on two sites: Lai-Jakobi-Kroonuaia and Narva-Roosi-Puiestee. It helped to assess the algorithm's robustness in various road network configurations and improve its performance. It turned out that the algorithm performance is very good with standard road structures where plain street stretches meet in T-shape or X-shape intersections. Also, the algorithm is capable of performing well in areas of complex street intersections, but some human assistance is needed. The statistics obtained for comparison of the proposed solution with a fully manual process of map elements digitisation demonstrated a considerable reduction in time and human efforts in HD map creation. Due to the PostGIS functionality, the data geoprocessing was impres-sively fast. Depending on road structure complexity, the amount of effort needed per one kilometre of lanes can drop by 45% to 65%.
Tallinna jalgrattateede sidusus
(Tartu Ülikool, 2016) Otsus, Erki; Narusk, Kirke, juhendaja; Sepp, Edgar, juhendaja; Tartu Ülikool. Geograafia osakond; Tartu Ülikool. Loodus- ja tehnoloogiateaduskond
Tööriist Lanelet2 täppiskaartide loomiseks
(Tartu Ülikool, 2021) Pilve, Karl-Johan; Matiisen, Tambet, juhendaja; Sepp, Edgar, juhendaja; Tartu Ülikool. Loodus- ja täppisteaduste valdkond; Tartu Ülikool. Arvutiteaduse instituut
Tartu Ülikoolis tegeleb isejuhtivaid sõidukeid puudutava teadus- ja arendustööga isejuhtivate sõidukite labor. Kuna tänapäevased isejuhtivad autod vajavad sõitmiseks detailset täppiskaarti, siis loodi isejuhtivate sõidukite laboris töövahend selliste kaartide joonistamiseks ning kaardistati ka esmased testrajad Tartu ja Tallinna tänavatel. Selle vektorkaardi põhjal genereeritakse isejuhtiva sõiduki tarkvarale sobiv Autoware vector map formaadis kaart. Isejuhtivate sõidukite labor soovib testida Lanelet2 kaardiformaati, kuna sellel on mitmeid eeliseid Autoware vector map formaadi ees. Käesoleva bakalaureusetöö raames loodi tööriist, mis teisendab isejuhtivate sõidukite labori vektorkaardi Lanelet2 formaadis täppiskaardiks. Töös antakse ülevaade täppiskaartide ja Lanelet2 formaadi olemusest. Seejärel kirjeldatakse loodud tööriista tehnilist teostust ja tuuakse välja arendustöö käigus tekkinud probleemid. Lõpetuseks tutvustatakse tööriistaga genereeritud kaardi testimist ja analüüsitakse võimalusi tööriista täiendamiseks.
Vektorkaardi genereerimine isejuhtivale autole trajektooride põhjal
(Tartu Ülikool, 2021) Looga, Krister; Matiisen, Tambet, juhendaja; Sepp, Edgar, juhendaja; Tartu Ülikool. Loodus- ja täppisteaduste valdkond; Tartu Ülikool. Arvutiteaduse instituut
Isejuhtivad sõidukid kasutavad autonoomse juhtimise võimaldamiseks detailseid kaarte, mida kutsutakse täppiskaartideks. Täppiskaardid sisaldavad palju informatsiooni ja nende joonestamine nõuab palju aega, ning ei ole ühte kindlat levinud meetodit nende loomiseks. Üks tunnus Tartu Ülikooli isejuhtivate sõidukite labori täppiskaardil on sõidurada (ingl. k. lane). Sõiduraja oluliseks osaks on sõidujoon, mida mööda isejuhtiv sõiduk liigub. Sõidujoon lihtsustab teekonna ja kiiruse planeerimist isejuhtiva auto jaoks. Bakalaureusetöös loodi lahendus Tartu Ülikooli isejuhtivate sõidukite laborile, millega saab varasemate sõitude abil genereerida andmeid sõidujoone loomiseks. Loodud andmed vähendavad käsitsi tehtava töö mahtu ja kirjeldavad paremini tegelikku liikluskorraldust. Bakalaureusetöös tutvustatakse täppiskaartide, trajektooride ja sõidujoone olemust. Lisaks antakse ülevaade loodud lahendusest. Viimaks tutvustatakse saadud tulemust ja mõõdetakse selle täpsust varasemalt kasutuses olnud sõidujoonega. Seejärel tuuakse välja lahenduse puudused ning võimalused edasiseks arendustööks.