Förslag 1: Identifiering av hårda objekt under markytan
Innan en planta kan sättas i marken måste marken beredas. Detta sker genom att en spade gräver ett hål i punkten där plantan ska planteras. Ett problem med detta är att under markytan kan hårda föremål såsom stenar eller rötter förekomma, vilka ej syns från ovan. Försök att gräva genom sådana hinder misslyckas, vilket leder till slitage på grävutrustningen samt minskad effektivitet.
För att undvika detta problem vill man tidigt kunna avgöra vad som befinner sig under markytan med hjälp av minimal extra utrustning på planteringsfordonet. En lösningsidé grundar sig i att “känna” vad som befinner sig under markytan genom att analysera impulser och vibrationer som grävdonet utsätts för vid grävning.
Ett examensarbete skulle kunna handla om att utveckla och evaluera algoritmer för effektiv identifiering av grävhinder under markytan baserat på accelerationsdata uppmätt från en “mätpinne” som slås ner i marken. Mätpinnen simulerar grävdonet som ska integreras i slutprodukten. Examensarbetet inkluderar, utöver algoritmutveckling, förmodligen uppgifter såsom:
- Planering och insamling av data för algoritmutveckling och evaluering.
- Undersökning av mätpinnens fysikaliska egenskapers inverkan på lösningskvalitén.
- Undersökning av hur mätpinnens rörelse ner i marken påverkar lösningskvalitén.
Möjliga tekniker:
- Traditionell signalbehanding, exempelvis fourieranalys, filtrering, etc.
- Maskininlärningsmetoder, exempelvis neurala nätverk, nearest neighbour, etc.
Relevanta förkunskaper:
- Kunskap inom signalbehandling och klassificeringsmetoder.
- God programmeringskunskap inom Python, C/C++, C#, eller liknande.
- Bekväm i linuxmiljöer och med git.
- Kan jobba med hårdvara, sensorer, mikrokontrollers (t.ex. Arduino), etc.
- Intresse för fältexperiment.
Förslag 2: Identifiering av lämplig planteringspunkt på markytan
I tillägg till att att detektera och undvika hinder under marken kan ett smart val av markyta bidra till minskat slitage och förbättrad effektivitet. En möjlig lösningsidé är att använda en RGB-kamera som kan se hela området där maskinen potentiellt ska markbereda och genom objektdetektering eller semantisk segmentering sålla bort ytor som inte är lämpliga, exempelvis berghällar eller stubbar. En teknisk utmaning förenad med den idén är att få befintliga metoder, dataset och tester är anpassade för skogsmiljö.
Ett examensarbete skulle kunna handla om att utveckla algoritmer för att generera bra kandidatpunkter till markberedningen. Examensarbetet inkluderar, utöver algoritmutveckling, förmodligen uppgifter såsom:
- Planering och insamling av data för algoritmutveckling och evaluering.
- Anpassning av bildprocessningsmetoder för högupplöst bilddata.
Möjliga tekniker:
- Maskininlärningsmetoder, exempelvis neurala nätverk.
- Segmentering av bilddata.
Relevanta förkunskaper:
- Kunskap inom bildbehandling och maskininlärning.
- God programmeringskunskap inom Python, C/C++, C#, eller liknande.
- Bekväm i linuxmiljöer och med Git.
- Erfarenhet av att använda och djupdyka i ML-ramverk såsom PyTorch och Tensorflow.
- Kan jobba med hårdvara, sensorer, mikrokontrollers (t.ex. Arduino), etc.
- Intresse för fältexperiment.
Förslag 3: Hinderklassificering i perceptionsdata
Innan maskinen kör igång på ett kalhygge planeras grovt en färdväg för maskinen att följa. I praktiken kan inte maskinen blint följa denna färdväg på grund av hinder som ej har tagits hänsyn till i planeringen, t.ex. fallna träd eller blöta markpartier. Istället måste en intern omvärldsuppfattning att förhålla sig till byggas i realtid vid navigering. Exempelvis kan stereokameror och LIDAR användas för att konstruera en digital 3D-modell av omgivningen för detta ändamål. I en helt statisk miljö kan man anta att kluster av detekterade punkter i rymden utgör markyta som kan köras över, eller hinder som fordonet måste navigera förbi.
På kalhyggen där planteringsfordonet ska färdas förväntas problemet försvåras på grund av ojämn terräng fylld med vegetation. Mindre buskar kan fordonet enkelt köra genom, men utifrån ren punktmolnsdata kan det vara svårt att skilja dessa mjuka hinder från solida hinder som det är kritiskt att undvika. Vegetation på den körbara terrängen kan ge en felaktig uppfattning av markunderlagets geometri som styrsystemet ska ta hänsyn till.
Ett examensarbete skulle kunna handla om att analysera perceptionsdata – framförallt punktmolnsdata, men också möjligtvist bilddata – för att klassificera huruvida områden i den insamlade datan utgör solida hinder som behöver tas hänsyn till vid autonom navigering, eller ej. Examensarbetet inkluderar, i tillägg till algoritmutveckling, förmodligen uppgifter såsom:
- Undersökning av vilka sensorer som är lämpliga.
- Planering och insamling av data för algoritmutveckling och evaluering.
- Hantering och visualisering av punktmoln med relevant mjukvara.
Möjliga tekniker:
- Traditionell signalbehandling, exempelvis fourieranalys, filtrering, etc.
- 3D-grafik, geometriskt datorseende.
Relevanta förkunskaper:
- Kunskap inom signalbehandling, 3D-visualisering, LiDAR, maskininlärning.
- God programmeringskunskap inom Python, C/C++, C#, eller liknande, gärna vana vid att hantera stora datamängder på effektivt sätt.
- Bekväm i linuxmiljöer och med git.
- Kan jobba med hårdvara, sensorer, mikrokontrollers (t.ex. Arduino), etc.
- Intresse för fältexperiment.