RuM laboratorija izstrādā tehnoloģijas, kas ļauj datorizētām sistēmām uztvert pasauli, to interpretēt, pieņemt lēmumus un rīkoties. Mēs uzskatām, ka robotika, mākslīgā uztvere un mākslīgais intelekts spēlēs arvien lielāku lomu cilvēces attīstībā, gan cilvēku ikdienas dzīvē, gan industrijā un ekonomikā, gan politikā.  EDI RuM mērķis ir kļūt par nozīmīgu spēlētāju šīs nākotnes veidošanā. Spēlētāju, kura pētījumu rezultāti  un izstrādātās tehnoloģijas ir ne tikai novērtēti savā zinātnes jomā, bet arī veicina cilvēku labklājību, drošību un veselību.

Atslēgas vārdi: 

  • lietu internets, bezvadu sensoru tīkli, viedie sensori
  • signālu un attēlu apstrāde
  • mākslīgais intelekts, datorredze, mašīnmācīšanās, dziļie neironu tīkli
  • iegultā inteliģence, edge un fog skaitļošana, FPGA, SoC
  • automatizācija, robotu vadība

Mašīnuztveres jomā mēs darbojamies ar dažāda veida tehnoloģijām, veidojot viedus sensorus, sensoru sistēmas un sensoru bezvadu tīklus gan industrijas automatizācijas, gan vides monitorēšanas, gan kompleksu sistēmu integritātes kontroles uzdevumiem. 

Plaši pielietots sensors mūsu pētījumos ir video kameras (ieskaitot stereo kameras un dziļuma sensorus). Kameru datu apstrādē pētām un lietojam datorredzes algoritmus, kas spēj veikt klasifikācijas, objektu detektēšanas un kadru segmentēšanas uzdevumus. Šādus algoritmus esam lietojuši inteliģentās transporta sistēmās (transporlīdzekļu detektēšana un klasificēšana, numurzīmju atpazīšana), biomedicīnas attēlu segmentēšanai un klasificēšanai un autonomo automašīnu uztveres sistēmās; bet mākslīgas redzes pielietojumu iespējas ir krietni plašākas.

Šobrīd labākos rezultātus daudzos mašīnuztveres uzdevumos uzrāda mākslīgā intelekta metodes, it īpaši uz dziļajiem mākslīgo neironu tīkliem balstīta mašīnmācīšanās. Tādēļ RuM laboratorijas pētījumi iekļauj dziļo tīklu arhitektūru lietošanu un uzlabošanu (konvolūcijas neironu tīkli CNN, rekurentie neironu tīkli RNN, ģenerējošie tīkli-pretinieki GAN). Dziļo modeļu apmācību un testēšanu mums ļauj veikt EDI pieejamais superdators (HPC serveris ar 12 NVIDIA Tesla k40 grafiskajām kartēm). Tā kā lielākais šķērslis šo metožu lietošanai daudzos praktiskos uzdevumos ir liela marķētu apmācības datu nepieciešamība, tad daļa mūsu pētījumu apskata sintētisku datu ģenerēšanas metodes, kā arī simulētu vižu lietošanu mākslīgā intelekta modeļu apmācīšanai.

Būtisks laboratorijas pētījumu virziens ir iegultā inteliģence, kas apstrādā ar sensoriem iegūto informāciju pēc iespējas tuvāk to ieguves vietai. Tādējādi datu apstrāde un lēmumu pieņemšana tiek novirzīta no datu centriem un mākoņaskaitļošanas uz robežu starp mākoni un fizisko pasauli (edge/fog computing). Datu apstrādes algoritmu iegulšana specializētās mikroshēmās tādos kā programmējamie loģikas masīvi FPGA un cita veida vienkristālshēmas SoC ļauj veidot mazas aizkaves un energoefektīvus risinājumus. Apvienojot šādu pieeju ar pret skaitļošanas jaudām mazprasīgu algoritmu izstrādi, kas īstenojami uz lētām iekārtām (piemēram, uz Raspberry Pi Zero īstenota video apstrāde), mēs spējam paplašināt autonomijas spējas tādās energoierobežotās tehnoloģijās kā maza izmēra bezpilota lidaparāti.

Laboratorijas robotikas virziens lieto augstāk aprakstītās uztveres un inteliģences iegulšanas iespējas un apvieno tās ar robotu vadību. Tas ļauj mums darboties tādās sfērās, kā autonomas platformas (gan braucošas, gan lidojošas) un viedā ražošana, kas Industrija 4.0 ietvaros ražošanas procesu ļauj īstenot mūsdienīgā digitālā laikmeta formātā. Lai automatizētu arvien lielāku ražošanas procesa daļu, nākamās paaudzes industrijas robotiem jāspēj droši sadarboties ar cilvēkiem un veikt ne tikai iepriekš precīzi ieprogrammētas kustības, bet jāspēj adaptēties dažādu objektu manipulācijai mūsdienīgajos dinamiskajos ražošanas apstākļos. Tam nepieciešams apmācīt robotus, lai tie spētu saprast ap sevi notiekošo, un spētu šo infomāciju izmantot, lai pielāgotu un optimizētu savas turpmākās darbības.

 

Saistītie projekti

Saistītās publikācijas

Laboratorijas darbinieki