Thomas Jakobsen

Embedded 3D positiong vha. deep learning
v. Thomas Jakobsen, adm. direktør
Grazper

Kamerabaserede metoder som VSLAM (Visual Simultaneous Localization And Mapping) og visuel odometri gør det muligt at positionere sig i 3D og navigere både indendørs, udendørs, i luften – eller endda i kroppen – med høj nøjagtighed og uden brug af komplekse radar- eller lidarsensorer.  På tilsvarende vis er også muligt at tracke bevægelige objekter med alle seks frihedsgrader.

Nylige fremskridt indenfor 3D deep learning har gjort visuelle metoder langt mere præcise og robuste end tidligere. Koblet med muligheden for implementering på embedded GPU eller FPGA (og evt. sensor fusion med IMU) gør det VSLAM til et ideelt valg til robotter, selvkørende biler, droner, augmented realitity og andre bevægelige enheder.

Foredraget fortæller om Grazpers erfaringer med udvikling af et embedded system til sub-millimeter 3D 6-DoF positionering. Systemet benyttede sig i første omgang af klassisk computer vision og markører, men er nu på vej mod generel VSLAM og 3D objekt tracking i realtid.

Biografi
Thomas Jakobsen er adm. direktør og medstifter af Grazper, en startup, som udvikler A.I.- og machine learning-teknologier til bl.a. computer vision og IoT. Thomas er civilingeniør fra DTU og ph.d. i matematik og opererer som regel i krydsfeltet mellem matematik og IT. Han har tidligere arbejdet med beregningstunge opgaver indenfor billedgenkendelse, 3D computergrafik, interaktiv fysisk-baseret simulering, 3D scanning og algoritmiske handelssystemer.