Önálló labor – Mesterséges intelligencia és autonóm járművek a jövő intelligens városaiban (MediaNets)

Vezető konzulens: Dr. Simon Vilmos, svilmos@hit.bme.hu

Pár éve még a sci-fi világába tartozott az önjáró autók, a mesterséges intelligencia irányította közlekedés a városokban. Ez már egyre inkább realitássá kezd válni, az IT iparág is gőzerővel vetette bele magát az autonóm járművek és az Internet of Things szenzorrengetegének fejlesztésébe.

Az önálló labor keretében a hallgatók megismerkedhetnek a jövő intelligens városainak közlekedésével: a gépi tanuláson alapuló intelligens közlekedési rendszerekkel, az egymással kommunikáló önjáró autók (Vehicle-to-X) kommunikációs megoldásaival, illetve a városi környezetet behálózó szenzorhálózatokkal (Internet of Things). Együtt keressük majd a választ ezekre a kérdésekre: hogyan kapcsolódnak ezek mind össze, hogyan lehet segítségükkel optimalizálni a városi közlekedést, hogyan lehet új felhasználóbarát alkalmazásokat fejleszteni rájuk.

Mindezt nem csak elméleti szempontból vizsgáljuk meg, hanem az ipari partnereink által biztosított eszközökkel valósítjuk meg és vizsgáljuk ezen alkalmazások egy részét, célként tűzve ki egy intelligens közlekedési rendszer megalkotását. Az önálló laborba bevonjuk ipari partnereik szakértőit is, céglátogatásokkal egybekötve.

Adatbányászati megoldások okos városokban

Elképzelhetetlen méretű adathalmazok keletkeznek a minket körülvevő érzékelő eszközöknek köszönhetően: okostelefonok, IoT szenzorok, felügyeleti rendszerek ontják magukból a különböző típusú adatot. Ezen adathalmazok kis része van csak struktúrálva és feldolgozva, miközben segítségükkel optimalizálni lehetne a jövő okos városait, otthonait.

A hallgató feladata ezen adatforrások feltérképezése, illetve annak megértése, hogy feldolgozásukkal hogyan lehet gördülékennyebbé tenni a napi életet, a közlekedéstől a felhasználókra szabott egyéni szolgáltatásokig. Továbbá feladat a különböző adatbányászati és gépi tanulási módszerek feltérképezése és gyakorlati használatának elsajátítása.

Gépi tanuláson alapuló forgalom- és járműirányítás

A modern városok úthálózatainak forgalmát ma már számos eszközzel monitorozzák, mint például hurok detektorok, forgalomfigyelő kamerák vagy akár V2X alapú megoldások. A valósidejű forgalmi információ és a jövőbeli események előrejelzései hatékonyan felhasználhatók a közlekedési lámpák szabályozására, oly módon, hogy azok minél kisebb várakozási sorokat okozzanak a kereszteződésekben, növeljék a csomópont áteresztőképességét és ezáltal csökkentség a dugók mértékét a városban. A gépi tanuláson alapuló forgalom optimalizálás célja, hogy a rendszer felismerje a forgalom különböző állapotait és a hatékonyan vezérelje a forgalomszabályozó berendezéseket, tipikusan a közlekedési lámpákat. A megerősítéses tanulást azonban nem csak a közlekedési lámpák irányítására használhatjuk, hanem akár a járművek önvezető funkciójának megvalósítására is. A jármű szenzorai alapján az algoritmus képes megtanulni, hogy az adott helyzetben merre kell a kormányt eltekerni, fékezni vagy épp gyorsítani kell-e. A hallgatók feladata, hogy a konzulens vezetésével csapatmunkában megismerje és alkalmazza a gépi tanuláson alapuló megoldásokat forgalom- vagy járműirányítás céljára, valamint elemezze azok hatékonyságát.

A kooperatív jármű-kommunikáció (V2X/C-ITS) technológiái és alkalmazása

A korszerű, járművekben használatos, vezetőt segítő rendszerek (ADAS) többek között támogatják a járművek sebesség- távolság- és sávtartását, segítik az előzéseket és a kereszteződéseken történő áthaladást, javítják a közlekedés biztonságát és a járműforgalom kezelését. Ezen rendszerek hatékonysága tovább növelhető, a rájuk építhető alkalmazások skálája jelentősen bővíthető, ha az egyes járművek képesek egymással és a közúti infrastruktúrával kommunikálni, folyamatosan információt cserélni. A kooperatív jármű-kommunikációs technológiák (V2X/C-ITS) pontosan ezt támogatják: szignifikánsan növelik a járművek és a forgalom-menedzsment központok által használható környezeti adatok mennyiségét és minőségét, és olyan új szolgáltatásoknak és alkalmazásoknak nyitnak utat, melyek extrém módon növelhetik a közlekedés biztonságát és hatékonyságát, csökkenthetik a környezet terhelését, és javíthatják a közlekedés résztvevőinek kényelmét. A hallgatók megismerkedhetnek a jövő járműveinek és intelligens közlekedési infrastruktúráinak alapvető elemét jelentő jármű-kommunikációs technológiákkal, az IEEE 802.11p/bd és a 3GPP 4G/5G alapú V2X megoldásokkal, a létező szabványokkal és a futó projektekkel, valamint ipari partnereink támogatásának hála, valós és szimulált környezetekben egyaránt tanulmányozhatják a korszerű jármű-kommunikációs protokollok, alkalmazások és szolgáltatások tervezése, implementációja és telepítése által jelentett izgalmas és aktuális kérdéseket. A feladatvégzés konzulens irányítása alatt, csapatmunkában történik, a tehetséges hallgatók lehetőséget nyernek a futó projektekbe történő bekapcsolódásra.

Internetelérés okos járművekben

Az intelligens járművekben a kommunikáció központi jelentőségű a járművek biztonságos, idő- és költséghatékony célba érkezéséhez, de szerepe ugyanolyan fontos az utasok szempontjából is. A jármű számítógép-hálózatának ki kell szolgálnia a beépített okoseszközökön futó különféle alkalmazásokat (pl. navigáció, szórakozás), illetve Internet elérést kell biztosítania az utasok személyes eszközei számára. Míg Magyarországon még éppen csak elkezdődött az IPv4-ről az IPv6-ra való áttérés, addig más országokban már egyre több az olyan internetszolgáltató, amely már csak IPv6-ot használ mind a hozzáférési, mind a gerinchálózatában.  Ugyanakkor az elterjedten használt alkalmazások egy része csak IPv4-re képes. Számos olyan megoldás született, amelynek célja az IPv4, mint szolgáltatás (IPv4aaS) fenntartása kizárólag IPv6-ot használó hálózatokon keresztül (például 464XLAT, DS-Lite, Lw4o6, MAP-E, MAP-T). A hallgató feladata néhány kiválasztott megoldás vizsgálata különféle szempontok alapján (pl. teljesítmény, skálázhatóság, biztonság, stb.). Szükség esetén munkájához használhatja a Japánban található NICT StarBED erőforrásait (http://starbed.nict.go.jp/en/equipment/), eredményeivel pedig hozzájárulhat az IETF v6ops (IPv6 Operations) munkacsoportját megcélzó Internet Draft (leendő RFC) fejlesztéséhez: https://datatracker.ietf.org/doc/html/draft-lencse-v6ops-transition-scalability is.

Intelligens hálózat- és szolgáltatáskezelés mesterséges intelligencia alkalmazásokkal

A hálózatok és a hozzájuk kapcsolódó szolgáltatások elengedhetetlen szerepet játszanak mindennapjainkban. A hálózatokon generált adatforgalom jellemzően különböző típusokból tevődik össze, mint például a webböngészés, streaming és fájlmegosztás. Minden forgalomtípus saját, egyedi követelményeket támaszt a szolgáltatás minőségének különböző paramétereivel – például sávszélesség, késleltetés és csomagvesztés – és a hálózati erőforrásokkal szemben. Ha ezek a követelmények nem teljesülnek, a hálózat és az általa nyújtott szolgáltatások minősége, használhatósága és megbízhatósága csökken. Ezért nélkülözhetetlen az intelligens hálózat- és szolgáltatáskezelés szerepe ebben a kulcsfontosságú infrastruktúrában a minőség és megbízhatóság biztosítása érdekében, mely területen a mesterséges intelligencia (MI) egyre nagyobb teret hódít.

Az önálló laboratóriumunk az intelligens hálózat- és szolgáltatáskezelés területén nem csak elméleti tudást és gyakorlati készségeket kínál, de betekintést is nyújt a legújabb kutatásokba és fejlesztésekbe. A hallgatók megtanulják kezelni a komplex hálózatokat és az azokon futó szolgáltatásokat, és megtudják, hogyan lehet MI-t alkalmazni a legjobb minőségű és megbízható hálózatok létrehozásához. Megismerik a hálózati adatforgalom különböző típusait, azokat a kihívásokat, amelyekkel szembe kell nézniük, majd elsajátítják az ezekre adható MI-alapú megoldásokat. Az önálló laboratóriumban megszerzett tudás nemcsak az Önálló Laboratórium és Szakdolgozat-készítés tantárgyak során lesz hasznos, hanem későbbi karrierjük során is nagy segítségükre lesz. Az iparágban hatalmas kereslet van azokra a szakemberekre, akik képesek intelligens hálózat- és szolgáltatásirányítási feladatokat ellátni, és rendelkeznek MI alapú megoldásokra vonatkozó ismeretekkel.

QoE mérés tervezése

A Quality of Experience (QoE), tehát a felhasználó által érzékelt minőség a modern szolgáltatások és rendszerek egyik legfontosabb karakterisztikája. Ide tartozik például multimédia tartalmak esetén a képminőség és a képkockasebesség, 3D vizualizációnál a mélységérzékelés, interaktív szolgáltatások során pedig a válaszidő. Az adott szolgáltatásra vagy rendszerre jellemző QoE értékek szubjektív tesztekkel, vagyis mérőalanyok visszajelzésének segítségével kerülnek összegyűjtésre, de emellett becslésük objektív metrikák használatával is történhet. Lehetőség van emellett a mérőalanyok teljesítményének objektív mérésére is, amilyen például két felhasználói interakció között eltelt idő. QoE mérések terén gazdag szakirodalom áll rendelkezésre, a mérési metodológiákat pedig nemzetközi szabványok és ajánlások egységesítik.

Az önálló laboratórium keretein belül a hallgató feladata a kiválasztott résztémához kapcsolódó szakirodalom és a releváns szabványok megismerése, egy mérésekkel vizsgálható hipotézis felállítása, valamint a hipotézisteszteléshez szükséges szakmai ismeretek elsajátítása. Ilyen szakmai ismeretet igényelhet például videóminőség vizsgálata esetén a tesztszekvenciák meghatározott paraméterek mentén történő előállítása, melyhez FFmpeg vagy más hasonló szoftver szükséges. Az önálló laboratórium során a hallgató feladata továbbá a tesztváltozókkal, a vizsgálandó tesztesetekkel, valamint a használandó tesztprotokollal kapcsolatos javaslattétel. Tesztváltozó lehet a képfelbontás, kódolás, késleltetés, de akár egy adott képernyőtől mért nézői távolság is, a tesztesetek pedig a tesztváltozók kiválasztott értékeinek kombinációja. A protokoll magába foglalja a teljes mérési metodológiát, mint amilyen például a szubjektív adatok gyűjtésére használt minősítési skála.

A hallgató számára az önálló laboratórium sikeres elvégzésével lehetőség nyílik a felállított hipotézis vizsgálatára szakdolgozat keretein belül. Ebbe beletartozik a korábbi javaslattétel során megadott adatok konkretizálása a kortárs szakirodalommal összhangban, a mérések elvégzése, valamint az elért eredmények kiértékelése. Ezen utóbbi feladathoz matematika statisztikai ismeretek szükségesek, például statisztikailag szignifikánsan eltérő eredmények beazonosításához.