Startup-Hackathon

Общая информация:
Используя данные с сенсоров перчатки Tau Tracker (координаты и углы сенсора на тыльной стороне ладони, и сенсора на каждом пальце) нужно придумать как определить параметры руки пользователя, такие как длина костей пальцев и ширина пясти, и рассчитать смещение координат сенсоров относительно ближайшей к ним кости пальца или запястья.

Задание:
Придумай жесты рук, результат выполнения которых поможет определить необходимые параметры. Запиши данные с сенсоров во время выполнения жестов. Исправь координаты в полученных данных, компенсировав смещение сенсоров относительно кости (вычислить с помощью жестов или задать вручную реалистичной константой) и используй исправленные данные, чтобы определить длину костей пальцев и ширину пясти. Запиши вычисленные параметры в файл и любым удобным способом визуализируй их (минимальные требования к визуализации — отобразить пясть в формате прямоугольника с вычисленной шириной, и кости пальцев в формате исходящих из пясти прямых с вычисленной длиной).


Что пригодится:

• Смартфон с Android и Bluetooth >= 4.0
• Понимание объемной геометрии и умение работать с углами и 3D-координатами.
• Базовые представления об анатомическом строении человеческой ладони.
• Навыки программирования на C#, C++ или Java (на этих языках мы можем предоставить плагины для получения данных с перчаток Tau Tracker

Мы предоставим:

• Комплекты Tau tracker c перчатками.

Ты кандидат стать лучшим, если:

• Определил наиболее подходящие для вычисления требуемых параметров жесты, и придумал как использовать снятые с их помощью данные для решения задачи.
  
• Вычисленные параметры отличаются от реальных параметров руки человека, записавшего жест, не более чем на 1 см. + погрешность самой системы трекинга.
  
• Разработанный алгоритм получится успешно протестировать на ладони другого человека

Лучшая команда получит право стажировки с заключением контракта на разработку ПО для завершения начатого на хакатоне проекта на сумму 100.000 руб.

Общая информация:
Во многих смартфонах уже есть функции, существенно расширяющие возможности встроенных камер. Мы привыкли к тому, что без нашего участия камеры смартфона сами умеют дотягивать качество фотографий, размывать фон, быстро выделять и считывать QR коды в поле зрения объектива. А можно ли научить камеру (-ы) смартфона так же быстро выделять и распознавать мерцающие изображения, совершая после распознавания заложенное алгоритмом действие?

Задание:
Придумайте любое двумерное изображение, состоящее максимум из 20-ти точек (в виде точек могут использоваться светодиоды). Камера смартфона, наведенная на данный объект должна распознать данное изображение и считать передаваемую изображением при помощи мерцания информацию. Распознанная информация может быть выведена на экран смартфона или же, может быть реализован переход по заложенному или считанному URL адресу.

Распознавание передаваемого сообщения может осуществляться как методом считывания амплитуды мерцания светодиодов так и методом распознавания взаимного положения точек на двумерном изображении. Двумерное изображение может располагаться в пространстве как угодно, под любым углом к камере смартфона. Длина передаваемого текста не менее 20 символов. Скорость считывания и распознавания не более 5 секунд.

В этом задании текст — это совокупность цифр от 0 до 9, пробела, букв английского языка и символов ?#_-/+.,!@

Реализуйте функционал распознавания текста в формате приложения на смартфоне (Android, iPhone). Для выполнения тестов реализуй простой интерфейс для ввода текстового сообщения и передачи его на контроллер светодиодов.

Что пригодится:

• Смартфон и опыт разработки приложений под ОС Android/IOS.
  
• Знания в области машинного обучения и распознавания изображений, понимание особенностей анализа данных в реальном времени.
  
• Знания в области радиотехники в части оптической передачи информации.
  
• Навыки программирования на Python, C++, Java.
  
  

Мы предоставим:

• Светодиоды
  
• Контроллеры
  
• Монтажные платы для прототипирования
  
• Соединительные провода и батарейки

Ты кандидат стать лучшим, если:

• Как минимум в 4 из 5 тестов твоё приложение распознает изображение и корректно выдаст передаваемый текст.
  
• Скорость срабатывания <5 секунд.
  
• Можно передать строку длинной >20 символов.
  
• Ты знаешь как улучшить способ формирования мерцающих изображений, отличный от QR-code, уменьшить время распознавания до комфортного минимума.
  
• Ну или объективно докажешь, что задача технически невыполнима на камерах смартфона.
  

Общая информация:
Большинство технологических процессов в промышленности, энергетике и других отраслях автоматизированы. Они управляются миллионами контроллеров, получающих данные с миллионов датчиков. Но алгоритмы в них написаны людьми, и правильность работы — тоже контролируется людьми.

Мы подумали: раз нейросети умеют узнавать людей, распознавать их голос и даже сочинять музыку, то наверняка их можно научить воспроизводить работу алгоритмов автоматики, контролировать правильность их работы, и может быть даже делать это аккуратнее людей?

Задание:
Мы соберем несложную систему автоматики, которая принимает на входе аналоговые и дискретные сигналы, использует в работе заданные параметры и выдает управляющие воздействия. Мы разобьем эту систему на отдельные функциональные блоки с описанием их входов и выходов. Мы дадим датасет с записями работы системы в разных режимах и расскажем, где что лежит.

Тебе надо обучить нейросеть воспроизводить работу отдельных функциональных блоков системы. Написать алгоритм контроля реальных функциональных блоков и визуализировать результат. Попробовать реализовать работу алгоритма в реальном времени.

Что пригодится:

• Уверенные знания булевой алгебры и базовое представление о функциональных диаграммах.
  
• Знания основ анализа сигналов и машинного обучения, скорее всего пригодятся навыки по работе со стандартными библиотеками ML.
  
• Навыки программирования на Python или C++, JavaScript.
  
• Умение визуального представления информации и правильной расстановки акцентов.
  
• Умение работы с MongoDB, чтобы получить данные из нашей системы напрямую.

Ты кандидат стать лучшим, если:

• Тебе удалось воспроизвести работу минимум трех функциональных блоков с помощью нейросети;
  
• Твоя система правильно распознала некорректную работу одного из функциональных блоков в системе;
  
• Ты лучше всех смог визуализировать результат работы системы;
  
• Ты смог показать, что твоя система могла бы работать и с данными, поступающими в реальном времени.
  
  

Общая информация:
Компания ARS Smart Robotics разрабатывает первую в РФ систему роботизированного кубического хранения. Система представляет из себя программно-аппаратный комплекс, состоящий из кубической системы хранения, мобильных роботов и зон выдачи.

Кубическую систему хранения можно представить как шахматную доску произвольного размера и формы, по которой двигаются роботы (как ладьи по клеткам). Вниз от каждой клетки идет вертикальная шахта, в которой по типу стека хранятся ящики с товарами (смотри рисунок №1). Из-за данной особенности хранения для того, чтобы достать ящик, над которым находятся другие ящики, сперва необходимо переложить все верхние ящики в соседние шахты.

Роботы умеют выполнять команды GRAB (захватить верхний ящик из шахты), RELEASE (отпустить ящик в шахту), MOVE_X <VALUE> - переместиться по оси X на значение VALUE клеток, MOVE_Y - переместиться по оси Y на значение VALUE клеток.

Также у данной системы есть особые клетки, где из корзины человеком достаются нужные товары – это зоны выдачи (располагаются по периметру). Зону выдачи можно представить в виде клетки выгрузки корзины и клетки загрузки корзины обратно. Зона выдачи имеет свой буфер хранения, равный 6 корзинам. При заполнении буфера она перестаёт работать (нужно вовремя забирать ящики обратно из клетки загрузки).

Основная задача подобной системы обеспечивать быструю выдачу товаров, которые хранятся в шахтах, т.е. быстро перемещать корзины к клетке выдачи и забирать обратно из клетки загрузки. Для этого необходимо оптимально планировать и распределять ограниченные ресурсы, такие как роботы и зоны выдачи, а также оптимизировать адреса хранения ящиков.

С чем предстоит работать:
Для разработки и проверки алгоритма будет предоставлена система симуляции работы распределительного центра. Данная система симуляции будет включать в себя базу данных с шахтами и ящиками в них, микросервисы-роботы, которые смогут выполнять команды по перемещению ящиков, а также микросервисы зоны-выдачи, которые будут принимать ящики и имитировать работу человека.

Для разработки алгоритма будет представлена выборка типовых заказов за несколько дней, на базе которой можно будет протестировать работу алгоритма или обучить сетку. Оценка эффективности алгоритма будет происходить на закрытой выборке заказов в финале хакатона.

Задача:
Разработать алгоритм диспетчеризации роботов, чтобы они с минимальными простоями зон выдачи доставляли корзины и забирали их обратно.

Основные функции, которые он должен выполнять:

1. Принимать заказы (список id ящиков и deadline к которому нужно этот заказ собрать) и планировать время их выполнения между несколькими зонами выдачи.
   
2. Определять какому роботу лучше всего поехать за каждым ящиком и планировать их маршрут таким образом, чтобы роботы не сталкивались.
   
3. Отправлять команды роботам (в систему симуляции)

Что может пригодиться:

• Навыки back-end разработки на python
  
• Умение проектировать архитектуру и моделировать сложные процессы
  
• Знание ROS может очень помочь, но без него также можно сделать решение
  
• Широкий кругозор по алгоритмам оптимизации и поисков оптимальных путей
  
• Навыки машинного обучения (можно попробовать применить reinforcement learning)
  

Ты кандидат стать лучшим, если:

• Командный центр работает с N >= 2 роботами и с M >= 2 зонами выдачи
  
• Твой алгоритм работает быстрее, чем наш примитивный, на закрытом верификационном наборе данных заказов
  
• Алгоритм справляется не только с прямоугольным полем, но и с более сложным (смотри рисунок №2).

p.s. Лучший алгоритм обкатаем на реальном железе!

Общая информация:
Есть огромная потребность измерять размеры стопы и тела человека с помощью смартфонов пользователей. Если бы был придуман такой способ, это был бы настоящий прорыв в индустрии онлайн ритейла обуви и одежды: стало бы возможно покупать комфортную обувь и одежду не сходя с места, не беспокоясь о размерах.

На данный момент есть решения в области замеров стоп, однако точность их невелика: разница между измерениями может составлять 2−3 см. (а это 2−3 размера обуви), и нередко после не самых удобных замеров выдается ошибка и все надо начинать сначала.

Есть два принципиальных подхода к 2D сканированию стопы человека, но все они так себе по точности:
1) с помощью листов бумаги А4 в качестве ориентира (иногда — еще какой-то понятный по размерам предмет в виде банковской карточки)
2) попросив пользователя встать пятками к стене и сделать фото сверху.

Задание:
Придумать удобный способ сканирования стоп человека в домашних условиях со стабильной точностью (назовем это — качественно сканировать).
На выходе изображение стоп должно быть распознано и переведено в цифровую модель, как минимум — в 2D (плоское изображение стопы, проекция сверху), как максимум — в 3D (чтобы также можно было замерить высоту пальцев, подъема) — но это уже звездолет в космосе.

Что значит «удобный способ сканирования»:
—  сканирование можно провести в домашних условиях, используя смартфон на базе Android / iOS;
—  можно использовать подручные средства (бумага, ручка), но избегать необходимость покупки чего-либо специального;
—  требования к доп. средствам для сканирования должны быть разумными (только фиолетовые носки в разноцветный горошек — это уже не ОК);
—  минимум телодвижений (сделать 25 фото — это не ОК) и неудобные позы пользователей (на шпагате или в позе лотоса — это прикольно, но тоже не ОК);
—  свести к минимуму неудовлетворительный результат сканирования (когда изображение не распознается или мерки выдаются с большой ошибкой).

Что пригодится:

• знание методов computer vision;
  
• знание нейросетей, знакомство с библиотеками;
  
• смартфон на Android / iOS.

Мы тебе дадим:

• Много знаний в области замеров стопы.

Ты кандидат стать лучшим, если:

• метод прост, занимает менее 5 минут, не требует длительной тренировки и может быть произведен без покупки доп средств в домашних условиях. В идеале — чтобы им смогла воспользоваться деревенская бабушка (если она опытный юзер);
• по результатам использования твой метод показал двумерные мерки стоп (это значит длина-ширина стопы как минимум), а если получаются 3D мерки (высота большого пальца или подъема) — то ты кандидат на особые лавры;
• все изображения стоп должны быть стандартного размера 1280×720, grayscale (8 bit);
  
• по результатам 5 сканирований стоп одного человека 4 замера отличаются друг от друга по размерам не более чем на 0,5 см., ошибка результатов сканирования — не более одного раза (это точность и устойчивость результата).

Суть проблемы:
В 2020 в России пройдет перепись населения. Последние данные Росстата относятся к 2010 году и, как показывают тесты, по сравнению с данными сотовых операторов - имеют сильные расхождения вне границ крупных городов.

Городское планирование построено на базе знаний о распределении населения и его динамике, опирающейся на проживающее населения. Наиболее удобная форма восприятия этой информации - карты плотности населения (population maps). В то же время в официальных источниках эта статистика привязана к административным границам, зачастую имеющим мало общего с реальными границами урбанизации территорий.

Задача:
Мы предлагаем, используя наши картографические сгенерированные по космическим снимкам данные о местоположении и характеристиках зданий, а также статистические данные о населении и любые другие источники - попробовать реализовать ваш собственный алгоритм расчета проживающего населения и отобразить результаты в виде сервиса или "population maps".

Что пригодится:

• Python;
  
• Quantum GIS - для просмотра геопривязанных данных и, возможно, запуска каких-то скриптов и создания визуализации;
  
• Знание принципов и алгоритмов машинного обучения.

Мы предоставляем:

• Будут предоставлены базовые данные по зданиям с базовыми характеристиками.
  
• Будет предоставлена тестовая территория.

Ты кандидат стать лучшим, если:

• На тестовой территории продемонстрировать метод, который оценивает численность с точностью >80%
• Результаты метода будем сравнивать по двум параметрам:

- агрегированный результат по всей территории,
- MSE (СКО) по набору пространственных сеток 100x100 (200x200, 300x300, 400x400, 500x500) метров.

• Знаешь, как увеличить точность твоего метода.