Представь, что у автономного робота отключили спутниковую навигацию. Ему остаётся полагаться лишь на собственную камеру и память — видео, которое он уже снимал раньше.
Твоя цель — научить алгоритм Visual Place Recognition (VPR) распознавать, был ли робот в этом месте раньше, просматривая последовательность кадров, а не одинокий снимок. Такой подход делает навигацию устойчивой к смене освещения, погоде и ракурсов и лежит в основе Loop Closure Detection, Topological и Hierarchical Localization.

Участники получат готовый бейзлайн на Python + PyTorch с библиотекой OpenPlaceRecognition и узнают, как:

• извлекать признаковые представления изображений;
• работать с последовательными данными вместо одиночных кадров;
• запускать и анализировать эксперименты, оценивая метрику Recall@1;
• превращать результаты в понятную историю для жюри и будущих работодателей.

Мы выдаём:

• Обучающую и валидационную выборки — треки с камеры мобильного робота, уже размеченные «где это место»;
• Тестовый набор — последовательности, по которым считается лидерборд;
• Мини-гайд: мы проведём семинар “Как запустить бейзлайн, получить результат и загрузить его в систему проверки”, чтобы вы сразу же “отметились” в лидерборде и дальше могли сконцентрироваться на проверке гипотез и улучшении результатов.

Записи сделаны в разных условиях (день/ночь, зима/весна/лето), поэтому один кадр может выглядеть совсем иначе, чем в прошлый раз. В этом и кроется исследовательский азарт: как извлечь устойчивые признаки и «склеить» их во времени.

Итоговый балл вычисляется так:
Score = 0.5 х (Recall@1 на лидерборде) + 0.5 х (Оценка жюри за презентацию)

• Recall@1 отражает «узнал ли робот место с первой попытки».
• Оценка жюри за презентацию - Жюри смотрит на ясность слайдов, обоснованность решений, качество анализа (число в диапазоне [0, 1]).

Готов вывести свою команду в топ-1 и открыть дверь в лабораторию робототехники? Присоединяйся к Физтех.Картографии и заодно прокачай навыки, которые ценят в индустрии!