Vezető: Prof. Benedek Csaba

Tagok: Bódis Balázs, Kégl Marcell, Kövendi József, Nagy Gergő, Pálffy Balázs

Kapcsolat: benedek.csaba@itk.ppke.hu

Napjaink korszerű érzékelői forradalmasították az információgyűjtést. A forgalomban közlekedő járművek érzékelő rendszerei a navigációhoz szükséges tájékozódáson kívül lehetőséget adnak a környezet valós idejű feltérképezésére, statikus valamint dinamikus környezeti elemek észlelésére és felismerésére. Az újgenerációs térinformatikai rendszerek (GIS) rendkívül nagy térbeli részletezettségű háromdimenziós térképet tárolnak a városról sűrű 3D pontfelhők, és tájolt fényképek, valamint szemantikai metaadatok formájában. Egyre nagyobb jelentősége van a gyorsan fejlődő minőségű és felbontású orvosi 3D adatok (MR, CT vagy ultrahangos felvételek) automatikus szűrésének és feldolgozásának. A kulturális örökségvédelmében is egyre nagyobb szerepet kapnak a digitális eszközök alkalmazásai.

A Gépi érzékelés és térinformatikai számítások laboratóriumban folyó kutató- és fejlesztőmunka fő célja, hogy a különböző alkalmazási területeken használt térinformációt rögzítő szenzorok méréseinek automatikus feldolgozása és összerendelése útján minél teljesebb képet kaphassunk a környezetünkről: ehhez új modelleket és eljárásokat fejlesztünk, és próbálunk ki a gyakorlatban is. Kutatásaink a PPKE ITK és a HUN-REN SZTAKI Gépi Érzékelés Kutatólaboratóriumának együttműködésében valósulnak meg.

Bővebb információk

Gépi Érzékelés és Térinformatikai Számítások

Mobil négylábú robotok környezetérzékelése Lidar és kamera szenzorok segítségével: személyek pózbecslése és 3D térképezés

 

Jövőbeli kutatási irányok, együttműködési lehetőségek

A kutatócsoport aktívan részt vesz hazai és nemzetközi kutatási projektekben gépi látás és mesterséges térintelligencia területeken. Főbb alkalmazási területek: mobil robotok és autonóm járművek környezetérzékelése, távérzékelés, műholdképek elemzése, orvosi képfeldolgozás.

Fontosabb publikációk

  • Ibrahim, Y. and Benedek, Cs. (2023). MVPCC-Net: Multi-View Based Point Cloud Completion Network for MLS Data. Image and Vision Computing, Elsevier, vol. 134, article 104675.  
  • Zováthi, Ö., Pálffy, B., Jankó, Z., & Benedek, Cs. (2023). ST-DepthNet: A spatio-temporal deep network for depth completion using a single non-repetitive circular scanning Lidar. IEEE Robotics and Automation Letters, 8(6), 3270-3277.
  • Benedek, Cs. (2022). Multi-level Bayesian Models for Environment Perception. Springer International Publishing, ISBN 978-3-030-83654-2.