Browsing by Author "Scherer, Rafał"

Now showing 1 - 3 of 3

Access status: Open Access ,
Analiza wrażliwości konwolucyjnych sieci neuronowych
(Data obrony: 2024-03-08) Jęczmionek, Ernest
Wydział Fizyki i Informatyki Stosowanej
Sztuczna inteligencja (Al) odnotowała znaczące postępy, napędzane rozwojem dużych modeli, w tym głębokich sieci neuronowych, mimo braku pełnego zrozumienia ich działania. Konwolucyjne sieci neuronowe (CNN) znajdują zastosowanie w klasyfikacji obrazów, wykrywaniu obiektów, i segmentacji, gdzie modele zawierają miliony parametrów, co czyni je kosztownymi obliczeniowo. W odpowiedzi na ryzyko zbyt skomplikowanych modeli, naukowcy poszukują sposobów na uproszczenie ich poprzez analizę wrażliwości (SA), która ocenia wpływ parametrów na wydajność modelu. SA obejmuje globalną analizę wrażliwości (GSA) i lokalną analizę wrażliwości (LSA), umożliwiające identyfikację i usunięcie nieistotnych parametrów. Praca ta proponuje zastosowanie GSA i LSA do optymalizacji sieci CNN, co pozwala na redukcję nadmiernie parametryzowanych sieci i prowadzi do powstania bardziej efektywnych modeli. Wyniki podkreślają przewagę metod SA nad tradycyjnymi metodami redukcji parametrów, przyczyniając się do rozwoju AL.
Access status: Open Access ,
Creative skill use in robots
(Data obrony: 2024-04-04) Gajewski, Paweł
Wydział Informatyki, Elektroniki i Telekomunikacji
Stworzenie uniwersalnych robotów usługowych do użytku w środowiskach skoncentrowanych na człowieku, takich jak domy, szpitale i sklepy, stanowi duże wyzwanie. Ludzie w tych miejscach działają naturalnie, wykazując kreatywność, improwizację i dostosowując umiejętności do zmieniających się warunków. Dlatego też, aby roboty mogły być skutecznie wykorzystywane w różnych scenariuszach, muszą one także posiadać zdolność adaptacji. Niniejsza rozprawa koncentruje się na problemie adaptacji umiejętności, w szczególności na rozumieniu zadań oraz adaptacji umiejętności motorycznych. Aby rozwiązać problem adaptacji umiejętności motorycznych, rozprawa ta proponuje formalizację elastycznego schematu szablonu umiejętności oraz algorytmu adaptacji umiejętności, który koordynuje moduły percepcji i ruchu. Zaproponowany algorytm jest testowany na systemie robotycznym PR2, wykonującym różne codzienne zadania manipulacyjne. Zdolności generalizacyjne proponowanej metody są demonstrowane przez jej zastosowanie z różnymi obiektami i w różnych sytuacjach. Dla problemu rozumienia sceny i zadań, rozprawa proponuje grafową reprezentację wiedzy opartą na afordancjach. Zaprojektowano dwa algorytmy: jeden do konstruowania grafów sceny, a drugi do uczenia się reprezentacji zadań z demonstracji. Ewaluacja tego podejścia przeprowadzana jest na danych wejściowych w postaci chmur punktów zarejestrowanych za pomocą kamery głębi. Proponowane podejście wykazuje obiecujący kierunek do poprawy niezawodności i elastyczności systemów robotycznych w złożonych środowiskach rzeczywistych.
Access status: Open Access ,
Depth completion for FMCW radars
(Data obrony: 2024-06-04) Nowak, Mariusz Karol
Wydział Elektrotechniki, Automatyki, Informatyki i Inżynierii Biomedycznej
Model otoczenia, który obejmuje odległość do najbliższej przeszkody, jest niezbędny dla systemu jazdy autonomicznej. Dlatego też można uznać, że każdy system nawigujący autonomicznie musi być w stanie oszacować głębokość (czyli odległość do najbliższego obiektu). Istnieje jednak konflikt pomiędzy rozmiarem, złożonością i kosztem czujnika głębokości, z jednej strony, a gęstością i dokładnością pomiarów, z drugiej strony. Celem tej rozprawy jest zbadanie wykonalności zagęszczania map głębi (czyli tworzenia gęstej mapy głębokości na podstawie rzadkich pomiarów głębokości) dla wyjątkowo rzadkich pomiarów głębokości. Większość tej pracy dotyczy uzupełniania głębokości w radarach samochodowych typu Frequency Modulated Continuous Wave (FMCW). Prezentuję pierwsze rozwiązanie generujące gęstą mapę głębokości na podstawie Radar Data Cube (RDC) z motoryzacyjnego radaru FMCW. Przygotowałem również wersję sieci zdolną do fuzji danych RDC z radaru z obrazem z kamery RGB. Dodatkowo przedstawiam nowy sposób zagęszczania map głębi na chmurze punktów lidaru, który opracowałem w celu stworzenia zestawu danych szkoleniowych do zadania uzupełniania głębokości radarowej, algorytm dodający szum do wag sieci neuronowej podczas treningu i prostą symulację pokazującą, że sieć neuronowa jest w stanie estymować kąt do celu w obecności dwóch celów.