Full metadata record
DC pole | Hodnota | Jazyk |
---|---|---|
dc.contributor.advisor | Gruber Ivan, Ing. Ph.D. | |
dc.contributor.author | Sieber, Matěj | |
dc.contributor.referee | Zítka Tomáš, Mgr. | |
dc.date.accepted | 2022-6-22 | |
dc.date.accessioned | 2022-07-25T22:30:55Z | - |
dc.date.available | 2021-10-1 | |
dc.date.available | 2022-07-25T22:30:55Z | - |
dc.date.issued | 2022 | |
dc.date.submitted | 2022-5-23 | |
dc.identifier | 89621 | |
dc.identifier.uri | http://hdl.handle.net/11025/49349 | - |
dc.description.abstract | Tato práce si klade za cíl navrhnout agenta pro hraní mechatronického modelu stolního fotbalu. Tato práce je rozdělena na dvě části teoretickou a praktickou. Teoretická část této práce představuje metody posilovaného učení, simulační prostředí v ROS v kombinaci s Gazebo a výsledky učení agenta. V praktické části jsou představeny metody pro odhad pozice a rotace hráče a také odhad pozice míče, které jsou nezbytné pro fungování modelu. Dále pak výsledky modelu na reálném forbalu. Většina kódu pro tuto práci byla napsána v Pythonu s pomocí knihoven OpenCV, NumPy a PyTorch. | cs |
dc.format | 38 | |
dc.language.iso | cs | |
dc.publisher | Západočeská univerzita v Plzni | |
dc.rights | Plný text práce je přístupný bez omezení | |
dc.subject | detekce objektů | cs |
dc.subject | zpracování obrazu | cs |
dc.subject | kalamanův filtr | cs |
dc.subject | python | cs |
dc.subject | posilované učení | cs |
dc.subject | neuronové sítě | cs |
dc.subject | počítačové vidění | cs |
dc.subject | opencv | cs |
dc.title | Analýza stavu stolního fotbálku a predikce jeho změny na základě obrazových dat | cs |
dc.title.alternative | Analysis of the state of table football and prediction of its change based on image data | en |
dc.type | diplomová práce | |
dc.thesis.degree-name | Ing. | |
dc.thesis.degree-level | Navazující | |
dc.thesis.degree-grantor | Západočeská univerzita v Plzni. Fakulta aplikovaných věd | |
dc.thesis.degree-program | Aplikované vědy a informatika | |
dc.description.result | Obhájeno | |
dc.description.abstract-translated | This work aims to design an agent to play a mechatronic model of table football. This work is divided into two parts theoretical and practical. The theoretical part of this work presents reinforcement learning methods, a simulation environment in ROS in combination with Gazebo, and the results of learning the agent. The practical part introduces methods for player pose and rotation estimation as well as ball position estimation, these are necessary for the model to work. And results of the model in the real-world arena. Most of the code for this thesis was written in Python with the help of OpenCV, NumPy, and PyTorch libraries. | en |
dc.subject.translated | object detection | en |
dc.subject.translated | image processing | en |
dc.subject.translated | kalman filter | en |
dc.subject.translated | python | en |
dc.subject.translated | opencv | en |
dc.subject.translated | neural network | en |
dc.subject.translated | computer vision | en |
dc.subject.translated | reinforcement learning | en |
Vyskytuje se v kolekcích: | Diplomové práce / Theses (KKY) |
Soubory připojené k záznamu:
Soubor | Popis | Velikost | Formát | |
---|---|---|---|---|
master_thesis_sieberm.pdf | Plný text práce | 6,22 MB | Adobe PDF | Zobrazit/otevřít |
Sieber_V.pdf | Posudek vedoucího práce | 463,44 kB | Adobe PDF | Zobrazit/otevřít |
Sieber_O.pdf | Posudek oponenta práce | 485,31 kB | Adobe PDF | Zobrazit/otevřít |
Sieber_P.pdf | Průběh obhajoby práce | 221,62 kB | Adobe PDF | Zobrazit/otevřít |
Použijte tento identifikátor k citaci nebo jako odkaz na tento záznam:
http://hdl.handle.net/11025/49349
Všechny záznamy v DSpace jsou chráněny autorskými právy, všechna práva vyhrazena.