BIELIK, S. Detekce sjízdnosti terénu pro mobilní robot pomocí RGB kamery [online]. Brno: Vysoké učení technické v Brně. Fakulta elektrotechniky a komunikačních technologií. 2023.
Bakalářská práce byla zaměřena na analýzu scény pomocí obrazových dat z mobilního robotu za použití sémantické segmentace. Práce byla součástí širšího tématu zaměřeného na navigaci robotu v terénu a její výstup přímo navazoval na aktuální bakalářskou práci studenta Tomáše Janecha, jež využíval segmentovaný obraz pro filtraci dat z laserového skeneru. Student byl po celou dobu semestru velmi aktivní, svůj postup často konzultoval a zapracovával připomínky vedoucího. Vzhledem k výše zmíněné provázanosti témat jsme zvolili koncept společných konzultací obou studentů, což přispělo ke kooperaci a úspěšnému propojení výsledků. Samotnou práci považuji za poměrně obtížnou z pohledu nutnosti studia problematiky přesahující témata vyučované na ústavu, a to zejména v oblasti konvolučních neuronových sítí, sémantické segmentace a trénování sítí. Student musel pracovat výhradně se zahraničními publikacemi – od dokumentací a internetových fór, až po odborné články. V dané problematice se zorientoval na dostatečné úrovni. Přestože kvalita a spolehlivost segmentace není na úrovni umožňující praktické nasazení, nepovažuji tento fakt za stěžejní, jelikož to bylo způsobeno především nedostupností výkonného hardwaru na učení neuronových sítí. I tak student v této oblasti předvedl značnou schopnost řešit problémy. Výsledky práce byly vedoucímu srozumitelně prezentovány a zadokumentovány a umožní tak na výsledky dále navázat. Technická dokumentace má požadovaný rozsah a je logicky členěná. Přestože neobsahuje zásadní nedostatky, samotný text i formální úprava by mohla být na vyšší technické úrovni. Text má místy vypravěčský charakter; přítomnost gramatických chyb jsem vzhledem k použitému slovenskému jazyku nemohl posoudit. Práce je nepochybně původní. Student jednoznačně prokázal bakalářské schopnosti, práci doporučuji k obhajobě s hodnocením 92 bodů, B.
Student se v práci zabývá problematikou estimace traversability terénu pomocí RGB kamery. Jedná se o téma v robotice zkoumané již delší dobu, avšak s rozšířením techniky hlubokého učiní se otevírají nové možnosti, a na této problematice je možné stále objevovat nové cesty. Student uvádí práci solidním teoretickým úvodě, kde pojednává o všech nástrojích, které bude následně aplikovat na datech v praktické části. Text je čtivý, místy by si zasloužil vyšší míru formalizmu. V ojedinělých případech student vysvětluje pojmy nepřesně. Např. str. 15., kdy student uvádí špatný počet neuronů konvoluční vrstvy, či str. 17, kde jsem z textu vyrozuměl, že „do hloubky spravovatelná konvoluce“ je ekvivalentem běžné konvoluce, což není pravda. Je pouze její aproximací. Postrádám však v práci rešerši více metod, či architektur použitelných pro sémantickou segmentaci obrazu. Student v celé práci zmíňuje zejména DeepLab. Další architektury diskutuje jen okrajově. Chybí přehledné srovnání. Oceňuji, že student přistoupil také k praktickému sběru dat. Podkapitola 1.7 mohla být rozsáhlejší a student mohl lépe vyrozumět, jak systém ROS v další práci využil. Tato kapitola pouze surově opakuje informace z dokumentace. Velký kus práce student odvedl v části praktického trénování neuronové sítě, kde se bezpochyby setkal s mnoha komplikacemi, pro které však našel řešení. Kapitola 2.3.1 patří spíše do příloh. Výsledkem práce je tedy zprovozněný softwarový nástroj pro trénování segmentace obrazových dat a experiment na studentem nasbíraných datech. Výsledky vlastního experimentu hodnotím spíše jako slabé, ale jedním dechem nutno dodat, že sběr potřebného vzorku dat a jejich anotace dalece převyšuje časovou dotaci bakalářské práce. Celkově práci hodnotím jako dobrou. Do budoucna bych doporučil využití Latex prostředí, protože práce vykazuje značné chyby ve formátování.
eVSKP id 151648