search icon search icon

Автономные транспортные системы

  • Рынки НТИ: Автонет
  • II уровень РСОШ
  • 100 баллов к ЕГЭ
  • Рынки НТИ: Автонет
  • II уровень РСОШ
  • 100 баллов к ЕГЭ
Физика Информатика
  • 1 этап
    27 сентября — 17 октября
    2021
  • 2 этап
    9 ноября — 10 января
    2022
  • Финал
    21 февраля — 30 апреля
    2022

Расписание

Беспилотный автомобиль, квадрокоптер, огромный роботизированный полигон городской среды, все объекты которого связаны в единую сеть!

Профиль «Автономные транспортные системы» посвящён применению технологий искусственного интеллекта в реальных задачах беспилотного транспорта.

На нашем профиле вам предстоит:

  • Применять компьютерное зрение и детектировать объекты городской среды

  • Обучать нейронные сети и распознавать образы в видеопотоке

  • Программировать беспилотный автомобиль, квадрокоптер и складской конвейер для того, чтобы доставлять груз в полностью автономном режиме

Приглашаем погрузиться в задачи серьёзной робототехники на базе компьютерного зрения и нейронных сетей.

Подготовка к профилю «Автономные транспортные системы» – это полноценная образовательная программа. Участники научатся применять компьютерное зрение и нейронные сети в реальных задачах мобильной робототехники и в дальнейшем смогут создавать проекты с искусственным интеллектом в любых других областях.

Автономные транспортные системы1
Автономные транспортные системы2
Автономные транспортные системы3
Автономные транспортные системы4
Автономные транспортные системы5
Автономные транспортные системы6
Автономные транспортные системы7
Автономные транспортные системы8
Автономные транспортные системы9
01 9

Этапы соревнований

1 этап

На первом отборочном этапе участника предстоит решать задачи по информатике и физике.

1 попытка — 27 сентября, 2 попытка — 7 октября, 3 попытка — 17 октября.

2 этап

Этап проходит на онлайн-платформе. Участникам предстоит создавать детекторы и классификаторы с применением компьютерного зрения и нейронных сетей для решения задач детектирования объектов и распознавания образов: детектирование пешеходов, распознавание дорожных знаков, сигналов светофора, рукописных цифр.

Язык программирования — Python.

Командная задача будет отличаться от индивидуальной только сложностью. Рекомендуем каждому участнику команды освоить наши базовые обучающие курсы: компьютерное зрение и нейронные сети. Это сильно облегчит решение задач и сэкономит массу времени для подготовки.

Все задачи имеют количественный результат: точность работы детектора/классификатора. Результат каждой задачи будет умножаться на коэффициент сложности задачи и суммироваться с остальными.

Финалистами становятся участники, набравшие максимальное количество баллов.

Финал

В финальном задании каждой команде предстоит создать и запустить мультимодальную транспортную систему для доставки товара с фабрики до покупателя без вмешательства человека. Беспилотный автомобиль везёт груз на склад через весь город, соблюдая правила дорожного движения. На складе товар проходит автоматизированную сортировку и подаётся на квадрокоптер. Далее коптер в режиме автономного полёта доставляет груз до конечного покупателя и отправляется на дозаправку.

Работа участников происходит на большом полигоне городской среды, где расположены здания и дороги с перекрёстками, дорожными знаками, светофорами и пешеходами.

Беспилотный автомобиль

Беспилотный автомобиль АЙКАР передвигается по городу. Его задача — проехать трассу с соблюдением ПДД и доставить груз до распределительного хаба. Ему предстоит детектировать объекты на маршруте следования, распознавать их и корректно реагировать.

Задача участников — написать программы для детектирования, распознавания и реагирования на объекты городской среды, встречающиеся на маршруте беспилотника: светофоры, дорожные знаки, пешеходные переходы и самих пешеходов. Автомобиль должен двигаться по своей полосе дорожного полотна и преодолеть маршрут, соблюдая правила дорожного движения.

Распределительный хаб

Конвейер забирает груз с беспилотного автомобиля при помощи магнитного захвата, перемещает в накопитель и проводит автоматизированную сортировку.

Задача участников — написать программы для распознавания числовой маркировки на коробках и проведения сортировки грузов при помощи магнитного манипулятора, расположенного над лентой конвейера.

Квадрокоптер

Квадрокоптер получает от сервера адрес заказчика, подхватывает груз при помощи магнитного захвата и далее в режиме автономного полёта сначала доставляет посылку по нужному адресу, а затем отправляется на дозаправку.

Задача участников — написать программу автономного полёта квадрокоптера, которая позволит ему достигать мест назначения, ориентируясь по графическим меткам на поверхности полигона, стабилизировать своё положение над данными метками и помещать груз в их центр так, чтобы он не повредился.

Чем быстрее и с меньшим числом ошибок будет работать логистическая цепь, разработанная командой, тем больше баллов заработает команда.

Решая данную задачу участники познакомятся с применением технологий искусственного интеллекта в реальной практике: задачах наземной мобильной робототехники, сервисных складских роботов и беспилотных летательных аппаратов.

Создавая подобные автономные логистические системы, мы приближаем мир будущего, в котором технический труд автоматизирован, и человек может полностью посвятить себя свободному творчеству.

Ключевая особенность финала нашего профиля – возможность поработать с супер-современным оборудованием и запустить свои программы на реальных объектах, а не только на компьютере.

Рекомендации для наставника

Посмотреть задачи прошлых лет и выйти на связь с организаторами профиля. Мы поможем подготовиться так, чтобы ничего не пропустить. При желании мы предоставляем материалы для проведения собственных онлайн-хакатонов по компьютерному зрению, нейронным сетям и другим технологиям искусственного интеллекта.

Для наставников мы подготовили Урок НТО:

Урок НТО "Введение в компьютерное зрение" - https://avt.global/nti-lesson-cv

Ниже представлены образовательные курсы, которые мы рекомендуем освоить и учащимся, и наставникам. Они короткие и супер понятные:

  1. Базовый курс по компьютерному зрению - https://avt.global/cv

  2. Курс "Нейронные сети для самых маленьких" - https://avt.global/neuralnets

Ресурсы для коммуникации наставников и организаторов:

Требования к команде

Знания

Для участия в профиле «Автономные транспортные системы» достаточно базовых знаний программирования и готовности учиться по видео-курсам. Короткие и понятные уроки Академии Высоких Технологий позволяют освоить весь необходимый инструментарий в сжатые сроки, успешно решить задачи 2 этапа и подготовиться к финалу.

Hard skills необходимые для старта

  1. Основы синтаксиса Python

  2. Способность учиться по видео-курсам

Hard skills необходимые финалистам

  1. Владение библиотекой OpenCV

  2. Понимание устройства нейронных сетей и навыки их обучения

  3. Владение удалённой разработкой

  4. Работа с ОС Linux через terminal

Численность команды и роли

Для участия на втором и заключительном этапах вам понадобится команда из 3-4 человек.

Состав команды:

Роль 1. Программист беспилотного автомобиля – работа с компьютерным зрением и нейронными сетями с задачах беспилотных автомобилей. На финале предстоит работать с учебным беспилотным автомобилем АЙКАР.

Роль 2. Программист квадрокоптера – работа с компьютерным зрением и нейронными сетями в задачах квадрокоптера. На финале предстоит работать с квадрокоптером Геоскан «Пионер Макс» 

Роль 3. Программист ленты конвейера – работа с компьютерным зрением и нейронными сетями в задачах сервисной и складской робототехники. На финале предстоит работать с конвейером авторской сборки.

Роль 4. Программист и капитан команды – необходимо владеть общим инструментарием компьютерного зрения и применения нейронных сетей, чтобы грамотно распределять задачи между участниками команды и усилять наиболее уязвимые позиции.

Материалы подготовки

Разработчики

Партнеры

background image background image background image background image background image background image background image background image background image background image background image background image
background image background image background image background image background image background image background image background image background image background image background image background image background image background image background image background image background image background image background image background image background image background image background image background image background image background image background image