Autonomia, anty-dron, autentyczność.

Pipeline treningowy dla autonomicznego sterowania dronami zastępujący klasyczne algorytmy wymagające ręcznego programowania każdego scenariusza. Algorytmy deep RL (PPO) operują w ciągłych przestrzeniach akcji. Realistyczne symulacje w PyBullet i Isaac Gym, wielowątkowe środowiska symulacyjne.

Złożone funkcje nagrody uwzględniają unikanie przeszkód, minimalizację zużycia energii oraz czas dotarcia do celu. Modele optymalizowane do mniej niż 10 MB, umożliwiające deployment na Jetson Nano i Raspberry Pi.

Skalowalny pipeline integrujący wiele publicznych datasetów: 10 mln obrazów plus 15 mln materiałów wideo. Modele ViT-L do klasyfikacji obrazów, VideoMAE i V-JEPA do analizy temporalnej wideo. Trening rozproszony z customowym pipelinem danych. Eksport do ONNX dla low-latency inference produkcyjnego.

Dataset 1 mln rzeczywistych obrazów plus ok. 1 mln syntetycznych generowanych modelami BLIP/CLIP. Model ViT-huge trenowany na klastrze 8×A100 z treningiem rozproszonym. Pipeline zaprojektowany pod obsługę dużych wolumenów z minimalizacją bottlenecków I/O. Bezpośrednio adaptowalne do monitoringu obszarów, detekcji naruszeń, percepcji z kamer pojazdowych.