Sirvi Autor "Vare, Aap" järgi

Nüüd näidatakse 1 - 2 2

Linna protseduuriline genereerimine
(Tartu Ülikool, 2020) Vare, Aap; Tunnel, Raimond-Hendrik; Tartu Ülikool. Loodus- ja täppisteaduste valdkond; Tartu Ülikool. Tehnoloogiainstituut
Protseduuriline genereerimine leiab arvutigraafikas kasutust suurte virtuaalsete maailmade loomises. See lubab väiksemate failidega luua palju andmeid, tekitades seejuures juhuslikkust, mis muudab genereeritavad andmed ettearvamatuks. Antud töö eesmärk on luua ja kirjeldada süsteemi linna protseduuriliseks genereerimiseks. Lahendus võimaldab tekitada juhusliku välimusega linna, mis võtab arvesse kasutaja etteantud parameetreid. Linn sisaldab endas teedesüsteemi, visuaalselt eristatavaid rajoone ja puid. Lisaks antud töö raames välja töötatud lahendusele kirjeldatakse eelnevalt tehtud teadustööd keskkonna protseduurilises genereerimises. Antakse ettepanekuid ka valminud algoritmi edasiarendamiseks. In English: Procedural generation is used in computer graphics to construct large virtual worlds. It allows to create a significant amount of data with a small number of files, producing randomness in the process which makes the generated data unpredictable. The aim of this thesis is to create and describe a system for the procedural generation of a city. The solution allows to create a city with a random appearance that takes into account parameters given by the user. The city includes a road system, visually distinguishable regions, and trees. In addition to the solution developed in this thesis, previously created scientific work in the field of procedural environment generation is described. Proposals for further development of the created algorithm are also given.
Vision-Based Optimization for Snowplowing on Estonian Roads
(Tartu Ülikool, 2025) Vare, Aap; Roy, Kallol, juhendaja; Übi, Jaan, juhendaja; Tartu Ülikool. Loodus- ja täppisteaduste valdkond; Tartu Ülikool. Arvutiteaduse instituut
Tõhus lumesaha trassi planeerimine on kriitilise tähtsusega liiklusohutuse tagamiseks ja talihoolde tegevuskulude minimeerimiseks sellistes külma kliimaga piirkondades nagu Eesti. Traditsioonilised marsruudi optimeerimise lähenemisviisid, nagu segatäisarvuline lineaarne programmeerimine (MILP), pakuvad kvaliteetseid lahendusi, kuid on arvutusmahukad ja neid on raske skaleerida. See lõputöö uurib alternatiivseid andmepõhiseid meetodeid optimaalsete lumesaha marsruutide lähendamiseks piltide abil. Lumesaha optimeerimine on formuleeritud segatäisarvulise lineaarse programmeerimise ülesandena (MILP). Eesti linnade teedevõrgu andmed võetakse treenimiseks OpenStreetMapist (OSM). MILP-i lahendused teisendatakse märgistatud piltideks kas piirdekastide või värviliste teemaskide näol, olenevalt sihtmudelist. Oleme implementeerinud kaks sügavõppel põhinevat nägemismudelit: objektide tuvastamine ja segmenteerimine, kasutades YOLO (You Only Look Once) arhitektuuri, ning pildist pildiks teisendamine pix2pix raamistiku abil. Peenhäälestus- ja ülekandeõpet kasutati YOLO-ga kohandatud andmekogumil ning pix2pixi mudelit treeniti väljastama terviklikke teid katvaid marsruute sisendkaartide põhjal. Mõlemat mudelit hinnati nende võimekuse järgi ennustada sahatavaid teid, mis sarnanevad MILP-iga genereeritud marsruutidega. Tulemused näitavad, et masinnägemise närvimudelid on võimelised pakkuma kiireid ja ligikaudseid alternatiive optimeerimisülesannete lahendajatele, kuid nende rakendatavus pärismaailmas on piiratud.