ŽENATÁ, K. Aplikace Kalmanova filtru pro analýzu mračen bodů [online]. Brno: Vysoké učení technické v Brně. Fakulta strojního inženýrství. 2025.

Posudek vedoucího

Procházková, Jana

Diplomová práce Kamily Ženaté v sobě kombinuje dvě různorodé oblasti, a to zpracování mračna bodů společně se statistickou metodou Kalmanova filtru pro sledování polohy v čase. Diplomantka pracovala s detekcí obrubníků a nasazení predikce Kalmanovým filtrem na tyto body. Obrubníky byly zvoleny z praktického důvodu, protože jsou v mračnech bodů výrazné, jsou přítomny ve většině městské zástavby a je možné je pomocí různých algoritmů dobře detekovat. Tato kombinace může být efektivně využita algoritmem Simultaneous Localization and Mapping (SLAM), zejména v oblasti autonomního řízení, robotiky nebo pokročilých asistenčních systémů (ADAS). První část práce se týká teorie Kalmanova filtru. Vzhledem k mojí specializaci nechám hodnocení na oponentovi práce z oboru statistiky. K této části mám jen malou výtku týkající se literatury, která mohla být podrobnější. Samotná část výběru metod detekce a nasazení Kalmanova filtru je velmi dobře zpracovaná. Obsahuje teoretický popis metod a vysvětlení jejich aplikace v Matlabu. Navržené algoritmy jsou aplikovány na reálných datech a je provedeno srovnání přesnosti s metodou implementovanou v Matlabu. Výsledky diplomantky jsou přesnější a také mají velmi dobrou výpočetní a časovou náročnost. Kromě obrubníků je také ukázka aplikace na hranách budov, které jsou také snadno detekovatelné v mračnech bodů. Pro přesnější lokalizaci je také ukázána metoda automatického clusteringu. Příloha obsahuje kódy v Matlabu, které jsou však lehce nepřehledné a zasloužily by si větší úpravy. Vstupní parametry jsou nastavovány uvnitř algoritmů a výstupy nemají popisy. Výsledky jsou však správně a funkční a popsané v diplomové práci. Velmi kladně hodnotím přílohu s testy na různých typech mračen bodů a pěknou vizualizaci výsledků.  Diplomantka pracovala pečlivě a pravidelně konzultovala,  splnila všechny cíle diplomové práce bez výhrad, doporučuji práci k obhajobě a navrhuji hodnocení B.

Posudek oponenta

Hübnerová, Zuzana

Práce Bc. Ženaté je věnována užití Kalmanova filtru při analýze mračna bodů. Po popisu metod získavání takového mračna bodů je vyložen Kalmanův filtr. Následuje kapitola Praktická část, kde jsou vysvětleny metody přípravy dat a následná aplikace Kalmanova filtru v několika situcích. V dodatcích jsou pak ještě zpracovány další 4 analýzy obrazu. Práce má smysluplnou strukturu, jazykově je na dobré úrovni. Část týkající se přípravy dat zahrnující RANSAC, určení normál, doplňování bodů, separace objektu a clusterování bodů byla pro mne osvěžujícím čtením. Bohužel tomu bylo naopak v kapitole o Kalmanově filtru. V úvodu části 3.1 Bc. Ženatá uvádí chybnou definici náhodné veličiny a zmiňuje že „V této práci bude dále použita pouze diskrétní náhodná veličina..”, což je naprosto v rozporu s předpoklady klasického Kalmanova filtru. Vedle (nedostatečné) péče definici náhodné veličiny je s podivem, že se již Bc. Ženatá nevěnovala definici “Gaussova šumu”. Uvítala bych detailnější úvod k tomu, co je to stav, řídící vektor, procesní šum, vektor měření a čemu odpovídají v situaci bodového mračna. V části 3.3 je zavedena chyba slovně jako rozdíl ale vzorcem jako f(e). Část 3.4 je evidentně vydatně založena na monografii (Grewal, 2001). Opět není vyložen význam apriorního a aposteriorního odhadu. Princip ortogonality je podložen (nedostatečnou) citací vzdáleně souvisejícího článku, i když je v monografii (Grewal, 2001) princip uveden. Argumentace za vztahem (11) je chybná. První rovnice na str. 13 je chybně vyložena z (Grewal, 2001). Příklad v 3.6 je věrnou kopií příkladu z (Becker, 2023). Kdyby místo kopírování Bc. Ženatá prostudovala nastavení Kalmanova filtru při nastavení “2D Constant Velocity” v matlabu jistě by pak rozumněla, proč její Kalmanův filtr dává jiné výsledky. Popisek u obrázku 4.4 je dle mého názoru chybný. Dále položky [18] a [23] v seznamu literatury jsou nepřesné. Jedním ze závěrů práce je, že vlastní implementace Kalmanova filtru je vhodnější, než Matlabovský Kalmanův filtr bez toho, aniž by byla hledána příčina tohoto pozorování. Což mi přijde naprosto nedostatečné. Čtení kódu a pročtení nápovědy z Matlabu čtenáři takové otázky lehce odhalí. Věřím, že mé rozčarování z práce s Kalmanovým filtrem lze z mého posudku vnímat. Na druhou stranu si uvědomuji, kolik práce zabraly analýzy všech uvedených ukázek. Z kódu je vidět, že byly provedeny pečlivě. Proto navrhuji výsledné hodnocení D.

eVSKP id 165440