Robotiskas sistēmas kļūst par aizvien būtiskāku cilvēces sastāvdaļu, tomēt šodien tiek izmantota tikai neliela daļa no šādu sistēmu potenciāla automatizēt un efektivizēt monotonus, bīstamus un resursietilpīgus darbus, celt sabiedrības labklājību un padarīt cilvēku ikdienu drošāku un ērtāku. Lai roboti veiksmīgi veiktu sarežģītus uzdevumus mainīgos apstākļos, tiem nepieciešama gan inteliģence adaptīvu lēmumu pieņemšanai un motorikas vadībai, gan spēja precīzi uztvert apkārtējo vidi. EDI misija ir piešķirt robotiem šīs spējas. No EDI zinātnieku skatu punkta tā ir lieliska iespēja pielietot digitālās tehnoloģijas, uzkrātās zināšanas un ilgadējo pieredzi attēlu apstrādē, signālu apstrādē un mākslīgā intelekta jomās, ko mēs darām, risinot robotikas un mašīnuztveres izaicinājumus vairākās jomās:

  •  industrija 4.0;
  •  lauksaimniecība;
  •  autonomā braukšana.

Viens no mūsu izaicinājumiem ir inovatīvu digitālo tehnoloģiju izmantošana ceturtās paaudzes industrijā, ar mērķi palielināt Eiropas industrijas ražošanas kvalitāti un efektivāti. Lai to sasniegtu strauji mainīgajā ražošanas vidē, viens no galvenajiem nosacījumiem ir roboti, kas spēj ātri pielāgoties jauniem ražošanas apstākļiem un rīkoties iepriekš neparedzētās situācijās, samazinot ražošanas dīsktāves laiku līdz minimumam. EDI risinājumi šajā jomā iekļauj kameru, dziļuma sensoru un cita veida sensoru izvietošanu ap un uz industrijas robota rokām, un šo sensoru signālu apstrādi ar zināmām un jaunām metodēm.

EDI izstrāžu piemērs ir adaptīva robota sistēma, kas izmantojot dažādus sensorus, datorredzi un dziļo mašīnmācīšanos spēj atpazīt un šķirot dažādus, nejaušā kārtībā izvietotus objektus no kastes, kā arī pielāgoties neplānotām situācijām mūsdienu dinamiskajos ražošanas apstākļos.

Objektu detektēšana, paņemšana un šķirošana

Cits piemērs ir nezāļu ierobežošanas iekārta lauksaimniecībā, kuras mērķis ir nenogurstoši un efektīvi attīrīt laukus no nezālēm bez veselībai un dabai kaitīgu vielu lietošanas. EDI šādai sistēmai izstrādā datorredzes moduli, kas spēj atšķirt kultūraugus no nezālēm, kā arī spēj kontrolēt robota kustību, lai tiktu aptverts viss lauks.

Detektētie kultūraugi

EDI strādā arī pie mašīnuztveres risinājumiem autonomas braukšanas jomā, kuras potenciāls ir gan palielināt drošību uz ceļiem, gan automatizēt un efektivizēt preču un resursu pārvadāšanu. Svarīgs izaicinājums ir uzticamu uztveres sistēmu izveide, tādēļ EDI pašbraucošās mašīnas demonstratorā tiek izmantoti gan vairāku veidu sensori (kameras, radari, lidars), gan tiek veidoti mākslīgā intelekta modeļi, kam būtu veiksmīgi jāstrādā arī atsevišķu bojātu sensoru gadījumā.  

Visās iepriekšminētajās jomās EDI attīsta mākslīgā intelekta metodes, kas balstās gan uz klasiskām signālu apstrādes pieejām, gan mašīnmācīšanās pieeju (dziļā mācīšanās ar mākslīgiem neironu tīkliem, konvolūcijas un rekurentie neironu tīkli, ģenerējošie pretinieku tīkli). Mākslīgais intelekts tiek attīstīts, jo tas šobrīd ir viens no galvenajiem rīkiem digitalizācijas procesos – tas dod milzīgas iespējas dažādu procesu automatizācijai, kam ir ekonomiskais potenciāls jaunuzņēmumu dibināšanai un jaunu tirgu apgūšanai. EDI ir ilgadēja pieredze, tradīcijas un uzkrātas zināšanas daudzu gadu laikā signālu apstrādes pētījumos un izmantošanā, kas veido fundamentālu pamatu tradīciju turpināšanai signālu apstrādes izmantošanai daudzos pielietojumos ar mākslīgā intelekta metodēm. EDI ir liela pieredze datorredzes uzdevumos – attēlu klasificēšana, segmentēšana un objektu detektēšana. Bez minētajiem lietojumiem, EDI ir risinājis šādus uzdevumus arī satelītu attēlu segmentēšanas, transportlīdzekļu detektēšanas, dzimumzīmju klasificēšanas (normāla/aizdomīga) un cilvēku identificēšanas (pēc plaukstu rievām un aisnsvadiem) uzdevumos. Sadarbībā ar uzņēmumiem, pēc to pieprasījuma esam veidojuši arī automašīnu numurzīmju atpazīšanas sistēmu un silīcija kristālu audzēšanas monitoringa sistēmu precīzākai kristālu audzēšanas kontrolei.

Uzraudzītas mašīnmācīšanās veiksmīgas lietošanas nosacījums ir konkrētajam uzdevumam atbilstošu, marķētu datu jeb apmācības piemēru pieejamība. Viena no centrālajām fundamentālajām problēmām, kas jārisina mākslīgā intelekta jomā ir bezuzraudzības dziļā apmācība, kad neironu tīklu sistēmas iespējams apmācīt bez vai ar ierobežietiem apmācības piemēriem. Tas ļautu lietot modernas mākslīgā intelekta metodes plašākam uzdevumu lokam, nekā tikai apmācības datu bagātos uzdevumos. Šis ir viens no EDI pētījumu apakšvirzieniem. Mūsu veiksmīgās izstrādes iekļauj gan datu marķēšanu paātrinošu metožu izveidi [rnn], gan oriģinālu pieeju izveidi sintētisku apmācības datu ģenerēšanai [gen].

Fundamentālas mākslīgā intelekta pētniecības kontekstā EDI interesē:

  • virtuālās vidēs apmācītu modeļu pārnese uz reālo pasauli;  
  • imitācijas apmācība (robots mācās uzdevumus un to izpildi no cilvēka demonstrācijas);
  • jēgpilnu vides reprezentāciju mācīšanās;
  • uzticams un izprotams mākslīgais intelekts.

Būtisks EDI pētījumu virziens ir iegultā inteliģence, kas apstrādā ar sensoriem iegūto informāciju pēc iespējas tuvāk to ieguves vietai. Datu apstrāde un lēmumu pieņemšana tiek novirzīta no datu centriem un mākoņaskaitļošanas uz robežu starp mākoni un fizisko pasauli (edge/fog computing). Mašīnuztveres algoritmu iegulšana specializētās mikroshēmās, tādās kā programmējamie loģikas masīvi FPGA un cita veida vienkristālshēmas SoC, ļauj veidot mazas aizkaves un energoefektīvus risinājumus. Apvienojot šo 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.

Saistītie projekti

Saistītās publikācijas