Sirvi Autor "Wu, Shan" järgi

Nüüd näidatakse 1 - 2 2

listelement.badge.access-status Avatud juurdepääs ,
Deep learning architectures for autonomous perception: from sensor auto-calibration to efficient multi-object tracking
(Tartu Ülikooli Kirjastus, 2026-09-09) Wu, Shan; Hadachi, Amnir, juhendaja; Tartu Ülikool. Loodus- ja täppisteaduste valdkond
Isejuhtivad autod ja autonoomsed robotid tuginevad ümbritseva maailma mõistmisel ja ohutul töötamisel keerukatele tajusüsteemidele. Tajusüsteemide täpseks tööks on vaja mitmesuguseid andureid ja nende kombinatsioone, näiteks terava pildiga harilikke kaameraid ja lidarit ruumilise sügavuse mõõtmiseks. Selliste süsteemide rajamisega kaasneb kaks mahukat päriselulist probleemi, mis on ka selle doktoritöö teemaks. • „Silmade“ joondamine: sensorid nõuavad täpseks tööks täiuslikku joondamist, mis on käsitsi tehes aeglane ja töömahukas ettevõtmine. • Liikuvate objektide jälgimine: ainult nägemisest ei piisa, auto peab suutma erinevaid liikluses osalejaid, näiteks jalakäijaid ja teisi sõidukeid, korraga jälgida. Seda ülesannet tuntakse mitme objekti jälgimisena (ingl multi-object tracking, MOT). Selleks mõeldud levinumad masinõppemeetodid on aga sageli kohmakad, nõuavad tohutut arvutusmahtu ning võivad siiski väiksemad ja osaliselt varjatud objektid märkamata jätta. See doktoritöö lahendab need probleemid targemate ja tõhusamate masinõppemudelite abil. • Automaatne kalibreerimine: töö esimeses osas tutvustatakse masinõppemudelit NetCalib, mis on autole omamoodi silmaarsti eest. See õpib samm-sammult kaamerapilti ja lidarit iseseisvalt joondama, vajamata selleks inimese sekkumist ja spetsiifilisi füüsilisi sihtmärke. • Täiustatud detailifookus: töö käigus täiustati olemasolevat transformeripõhist MOT-mudelit, parandamaks detailidele keskendumise võimet. See parandas väiksemakasvuliste või kaugemal asuvate jalakäijate tuvastamist ja muutis auto ohutumaks. • Roheline ja tõhus AI: doktoritöö raames muudeti MOT-mudeli arhitektuuri ning loodi kompaktne ja ülitõhus MOTT. Uus mudel töötab ligi kaks korda kiiremini ja vajab vähem arvutusmahtu ning samal ajal säilitab eelmiste mudelite täpsuse. Kokkuvõttes muudeti isejuhtiva auto digitaalne aju kiiremaks ja energiasäästlikumaks, valmistades auto paremini ette päris maailma tänavatel liiklemiseks.
listelement.badge.access-status Avatud juurdepääs ,
Road Surface Recognition Based on DeepSense Neural Network using Time Series Accelerometer Data
(Tartu Ülikool, 2019) Wu, Shan; Hadachi, Amnir, supervisor; Tartu Ülikool. Loodus- ja täppisteaduste valdkond; Tartu Ülikool. Tehnoloogiainstituut
Nowadays, Smart devices plays a big role in our lives, especially in our daily activities. Therefore, Smartphones can be considered as one of the most interesting sensor for depicting our activities and our surroundings. Furthermore, the computation power of smartphones has increased a lot recently as most of them have multiple sensors like accelerometers and gyroscopes. Besides, They are capable of processing more tasks than we ever imagined. Because of their advantages of convenience and low-cost, the portable computation platforms has been adopted in the development of autonomous vehicles. The most critical issue of the intelligent system assisted vehicles is that the safety problem. The recognition of the road surface is one of the components to ensure the safety drive. Most of the solutions use sensor fusion to recognize road surfaces such as combining cameras and LiDARs, which is costly for equipment and they usually need installations to re-equip existing cars, but these methods provide overall excellent results. This thesis proposes a method for recognizing the road surface based on using accelerometer data collected from smartphone. The process uses time series data collected from a smartphone’s accelerometer, followed by a massive time series feature extraction and selection. After that, the features are fed into trained DeepSense variant neural network framework to get the recognition of the road surfaces. The proposed method provides three classes recognition for smooth, bumpy and rough roads. Moreover, in this thesis we conducted a thorough evaluation and analysis of the proposed method by comparing it with conventional machine learning methods like SVM, random forest, fully connected neural network and convolutional neural network. The accuracy of the method in this thesis overmatch the compared examples. The road surface type will be classified into three categories which will indicate smoothness of the road surface.