Explore the possibilites for machine learning in sensor fusion

A ki kleked folyamatos nekedel egyt egyre syosabbvik a parkoli nehsek probla. A jmek szak drasztikus emelkede nemcsak a vosi infrastrukta rnyomt, hanem a klekedbiztonsra, valamint az energiahatonysra is negat hatsal van. A mindennapi tapasztalatok alapj kijelenthet hogy a megfelelparkolely kerese a parkoli maner kiviteleze jelent id figyelmet igyel. Ez ken igaz zsolt vosi knyezetben, ahol a helyhiy a folyamatos forgalom gyakran frusztrhelyzeteket id el A fejlett vezettogatrendszerek (ADAS) cja az ilyen jellegprobl orvosla, enyhe. Ezek a rendszerek nemcsak a kleked biztons nelik, hanem elegik a hatonyabb gyorsabb manerezt is. Az automatikus parkoli rendszerek egyre elterjedtebbek a modern jmekben, m kulcsfontosseleme a pontos megbhatparkolely-detekt. Ennek jelente abban rejlik, hogy a rendszer kes ln felismerni telni a szabad parkolelyeket, valamint a jmln vre tudja hajtani a manert ank, hogy a vezetbeavatkozna. y tehermentesi a jmezet a keresi folyamatt, valamint cskenti a parkolsal ttt id a forgalmi torlokat is. A szenzorok tal gytt adatok azonban gyakran zajosak pontatlanok, melyek pontatlan detekcihoz helytelen parkolhoz vezethetnek. Ezen probl kumula pedig tovb ronthatja a rendszer hatonys. Dolgozatom cja a parkolely detekcisor keletkez hib msle egy gralapneuris hat (Graph Neural Network, GNN) segsel. A vasztott Graph Attention Network (GAT) architekta a teljesen szekt gr reprezentilehetteszi a csspontok kti dinamikus syozt. Eztal a modell figyelembe veszi a cssok kti kapcsolatok jelent, potenciisan javva a predikci min.

Kovs Veronika

2025-05-30

Togat Continental Autonomous Mobility Hungary Kft.