Publikációk

Az önvezető járművek az utóbbi években egyre nagyobb teret nyertek mind az ipari, mind a kutatási területeken. Ez a dinamikus fejlődés hívta életre a Formula Student versenysorozat Driverless kategóriáját is. A versenysorozat keretén belül egyetemi hallgatók elméleti tudásukat a gyakorlatba ültetve, a nemzetközi színtéren mérhetik össze tudásukat. A versenysorozat belső égésű, elektromos, valamint hibrid járműveknek is helyt ad, azzal a kritériummal, hogy a versenyautók tervezése kizárólag a hallgatók munkája legyen, míg a gyártási folyamatot végezheti partner cég is. A Formula Student versenyek nem csupán a pályán nyújtott teljesítményről szólnak, hanem a műszaki és gazdasági innovációkról is. A költséghatékonyság, a fenntarthatóság, a megbízhatóság és az optimalizáció is mind fontos szerepet játszanak a szakmai bemutatáson, amelyen egy szigorú szakmai zsűri tagjainak kell prezentálni a kivitelezett megoldásokat. 

Jelen TDK-dolgozat témája a Formula Student nemzetközi versenysorozatban részt vevő BME Formula Racing Team által fejlesztett autonóm járműrendszer LiDAR-alapú képfeldolgozó részegységének bemutatása. Dolgozatom fókuszában a LiDAR-alapú pontfelhő valós idejű feldolgozásának három kulcsfontosságú része áll: a mozgáskorrekció, a talajszűrés, és a bója szegmentáció. A mozgáskorrekció algoritmusa a LiDAR és az IMU szenzorokból származó adatokat ötvözve korrigálja a pontfelhő torzulásait, amelyek a jármű mozgásából erednek. Talajszűrésre egy hatékony és gyors algoritmus szolgál, amely eltávolítja a rendszer számára nem releváns pontokat a pontfelhőből, míg a bója szegmentáció a pontok visszavert intenzitása és geometriai jellemzőinek elemzésével határozza meg a pályán elhelyezkedő bóják pozícióját, neurális hálózatok alkalmazása nélkül. Ez a részegység kiemelten fontos a jármű navigálásához. A képfeldolgozási késedelem vagy pontatlanság közvetlenül befolyásolja a pályatervező algoritmusunk futási idejét és ezzel magának a versenyautónknak a sebességét is. 

A bemutatott rendszer mind szimulációban, mind a valós versenypályán bizonyította gyorsaságát, pontosságát és robusztusságát, ezzel helyettesítve a korábbi, kevésbé megbízható rendszerünket. Másfél éves kutató-fejlesztő munkám során a legmodernebb számunkra is kivitelezhető és alkalmazható ipari algoritmusokat és szenzorokat alkalmaztam, figyelembe véve a Formula Student versenyszabályzatainak és versenypályáinak sajátosságait. Dolgozatom célja hozzájárulni a saját és más Formula Student csapatok kollektív tudásához, támogatva ezzel kutatásaikat és fejlesztésüket.

A dolgozat célja, hogy feltárja, a BME Formula Racing Team (BME FRT) közösségi média stratégiájában megfogalmazott, a női követők arányának növelésére irányuló javaslatok milyen mértékben valósultak meg a gyakorlatban, és ezek mennyiben járultak hozzá a női elérés növekedéséhez. A kutatás középpontjában az áll, hogy a korábbi kommunikációs irányelvek és tartalomstratégiák milyen hatékonysággal alkalmazhatók a motorsport területén, ahol a közönség nemi megoszlása erősen férfidomináns.

A kutatás alapját kevert módszerű adatgyűjtése (fókuszcsoportos interjúk és kérdőíves megkérdezés) képezte, amelyet kiegészítő kvalitatív mélyinterjúk egészítettek ki a csapat közösségi média tevékenységében aktívan részt vevő tagokkal. A módszertan lehetővé tette, hogy a javaslatok megvalósítását és hatásait mind felhasználói, mind szervezeti oldalról értékelje a dolgozat.

A legfontosabb eredmények az alábbiak:

·      A javasolt emberközpontú és rövid, vertikális videóformátumok hatékonyan növelték az elérést és az interakciókat.

·      A csapat kommunikációjában hangsúlyosabbá vált az emberi oldal és a közösség bemutatása, amely pozitívan hatott a márka megítélésére.

·      A belső kommunikáció hiányosságai és a szereplési hajlandóság alacsony szintje azonban korlátozták a tartalomstratégia következetes megvalósítását.

·      A női elérés növekedése mérsékelt volt, ami azt jelzi, hogy a tartalomfejlesztés mellett szükség van tudatosabb közösségépítő és moderálási gyakorlatokra.