Budapesti Műszaki és Gazdaságtudományi EgyetemÉpítőmérnöki Kar - építőmérnök képzés 1782 óta

Napjaink térképi adatbázisainak egyre nagyobb az értéke, mivel a mai járművek beépített asszisztensei fokozódó mértékben támaszkodnak az így elérhető környezeti adatokra. Ezek a térképi adatok több és több objektumtípust tartalmaznak egyre nagyobb pontossággal, valamint fokozatosan a háromdimenziós geometriai megadás is általánossá válik (a korábbi kizárólagos 2D-vel szemben). A térképi adatbázisok tartalmának bővítése és frissítése igényli az egyre újabb és hatékonyabb eszközök, így a mesterséges intelligencia használatát.

Szintén lényeges figyelembe venni azt, hogy az utóbbi időkben kidolgozott térképek már jócskán meghaladják az emberi felhasználásra alkalmas adatmennyiséget. Ezek az ún. nagyfelbontású térképek (HD térképek) az óriási tömegű adatok tárolására is hatékony megoldásokat igényelnek. A legtöbb esetben valamilyen gráfokra épülő technológiát alkalmaznak, azonban azok teljesítményének javítása elengedhetetlen. A járműfedélzeti mérések kezelésére és térképi feldolgozására szintén hasonló metódusokat választanak – hasonló fejlesztési elvárásokkal.

A térképi adatbázis jelenleg leginkább a járműnavigációban nyer felhasználást. A különböző asszisztensek (pl. intelligens sebesség asszisztens) a jármű pillanatnyi helyzetének és a térképen az adott sáv szegmenséhez hozzárendelt érték összevetése szerint tájékoztat vagy figyelmeztet. Működéséhez nagyon részletes geometriai (sáv-szintű) és sebességhatár-attribútum információra van szükség. Ezeknek az információknak az előállításához a már meglévő térképi adatbázisok (például az OpenStreetMap), felmérések (például a mobil térképezés) bevonására és naprakésszé tételére van szükség. Ennek a munkának a gyors elvégzéséhez a mesterséges intelligencia eszközei (pl. deep learning, reinforced learning, szabály- és következtető rendszerek) ígéretesnek tűnnek.

A Jelölt feladata, hogy ismerkedjék meg a legfontosabb térképi adatbázisok előállításának, kezelésének és felhasználásának módszereivel. Hasonlóképp tegyen szert széleskörű ismeretekre a mesterséges intelligencia eszközeiről, megoldási módjairól. A doktori kutatás folyamán elvárt a jelenleg követett eljárások értékelése, majd fejlesztése. A munka konkrét mintaterületen elérhető nagyfelbontású térkép kialakítása során tekinti át a létező adatok körét, a felmérési módszereket, majd a bővített térképi tartalom eléréséhez eljárások fejlesztése kapcsolódik. A munka nélkülözhetetlen részét képezi a minőségi mérőszámok levezetése is; enélkül a járműfedélzeti hasznosulás nem történik meg. Igen fontos megvizsgálni annak a lehetőségét is, hogy a jelenleg elérhető járműfedélzeti szenzorok adatai hogyan dolgozhatók fel és alkalmasak lehetnek-e a térképi adatbázis ellenőrzésére és frissítésére (pl. a Sensoris technológiára támaszkodva).

A kutatási munka az NNG térképszolgáltató bevonásával valósul meg. A Jelölt a Kooperatív Doktori Program keretei között végzi a kutatását, így a gyakorlati szempontok és a közvetlen hasznosulás az NNG-nél adottak. Társtémavezető a multinacionális cég technológiai igazgatója (CTO), Dr. Martin Pfeifle.

 

*** 

 

The value of today's map databases is growing as the built-in assistants in today's vehicles rely increasingly on the environmental data they provide. These map data include more and more object types with increasing accuracy, and three-dimensional geometric representation is gradually becoming common (as opposed to the 2D-only representation of the past). Expanding and updating the content of map databases requires the use of newer and more efficient tools, such as artificial intelligence.

It is also important to consider that the maps developed in recent times have far exceeded the amount of data available for human use. These so-called high-definition maps (HD maps) also require efficient solutions for storing the huge amount of data. In most cases, some form of graph-based technology is used, but performance improvements are essential. Similar methodologies are also being used to manage and map on-board measurements – with similar development requirements.

The main current use of the map database is in vehicle navigation. Different assistants (e.g., intelligent speed assistant) provide information or warnings based on a comparison between the current position of the vehicle and the value assigned to the lane segment on the map. To work, very detailed geometric (lane-level) and speed limit attribute information is required. To produce this information, existing map databases (such as OpenStreetMap), surveys (such as mobile mapping) need to be integrated and updated. Artificial intelligence tools (e.g. deep learning, reinforced learning, rule and inference systems) seem promising to do this work quickly.

The Candidate is expected to become familiar with the methods of producing, managing, and using the most important map databases. Likewise, gain a broad knowledge of artificial intelligence tools and approaches. In the course of the doctoral research, it is expected to evaluate and then improve the procedures currently followed. The work will review the existing data set, survey methods in the development of a high-resolution map of a specific sample area and then develop procedures to achieve the enhanced map content. An essential part of the work is the derivation of qualitative metrics; without these, onboard exploitation will not occur. It is also crucial to explore the possibility of how the data from currently available in-vehicle sensors can be processed and used to verify and update the map database (e.g., by relying on Sensoris technology).

The research work will be carried out in collaboration with the map provider NNG. The Candidate will carry out his/her research within the framework of the Cooperative Doctoral Program so that practical aspects and direct utility at NNG are given. The thesis co-advisor is the Chief Technology Officer (CTO) of the multinational company, Dr. Martin Pfeifle.