Signālu apstrāde ir disciplīna, kas saistīta ar signālu iegūšanu, attēlošanu un manipulēšanu un ir nepieciešama plaša mēroga praktiskos pielietojumos. EDI uzkrātā pieredze šajā jomā ir visai daudzpusīga. Tās kompetencē ietilpst: 

  • uz modernām DSP tehnoloģijām balstīti virtuālie instrumenti;
  • programmvadāmas radio iekārtas, tajā skaitā balstītas uz nevienmērīgu diskretizāciju;
  • nestacionāru signālu signālatkarīga analīze, notikumu vadīti analogs-ciparu pārveidojumi;
  • biometrijas un smadzeņu signālu apstrāde;
  • sejas un plaukstas biometrisko datu apstrāde;
  • bioloģiskās atgriezeniskās saites pielietojums medicīniskā rehabilitācijā;
  • attēlu apstrāde;
  • datu ieguves un apstrādes sistēmu mikrominiaturizēšana;
  • viedo sensoru un tīklotu iegulto sistēmu signālu apstrāde;
  • virziendarbības antenu masīvu pielietojumi bezvadu sensoru tīklos;
  • tranzistoru UWB uztvērēji un impulsu ģeneratori;
  • u.c.

Daļa no mūsu signālu apstrādes pētniecības pievēršas attēlu apstrādei tādās jomās kā biomedicīna (melanomu noteikšana), satelītu datu apstrāde (mežaudžu analīze), inteliģentās transporta sistēmas (automašīnu un gājēju detektēšana, numurzīmju atpazīšana), drošība (cilvēku atpazīšana pēc plaukstas rievojuma un asinsvadu attēliem), lauksaimniecība (kultūraugu un nezāļu atšķiršana) un citas. Dažādu objektu detektēšanai, lokalizēšanai, kā arī attēlu klasificēšanas uzdevumos mēs pētām dažādas pieejas, ieskaitot mašīnmācīšanos (dziļie konvolūcas un rekurentie neironu tīkli). Fokus tiek likts uz marķētu apmācības datu iegūšanu veidojot marķēšanu paātrinošas metodes un sintētisku apmācības datu ģenerēšanas paņēmienus. Mēs pētām un izstrādājam arī efektīvus video apstrādes algoritmus, kas ir lietojami uz skaitļošanas jaudas ziņā ierobežotām ierīcēm. Piemēram, esam izstrādājuši objektu detektēšanas algoritmu, kas, darbojoties uz lētā un mazā Raspberry Pi Zero datora, var apstrādāt līdz 15 kadriem sekundē.

Iegultā intelekta jomā EDI fokusējas uz pret skaitļošanas un enerģijas resursiem efektīvu arhitektūru un risinājumu izveidi, un efektīvu datu apstrādes algoritmu (piemēram, transformētu mākslīgo neironu tīklu arhitektūru) īstenošanu FPGA tipa čipos un heterogēnās SoC (System-on-Chip) iekārtās. Šajā jomā mēs sadarbojamies ar TECNALIA, Infineon, BUT un citiem jomas līderiem tādos H2020 projektos kā 3Ccar, Autodrive, ENACT u.c. Mūsu pētījumu rezultāti ļauj resursietilpīgu uztveres apstrādi (piemēram, stereo attēlu apstrādi un mākslīgo neironu tīklu darbināšanu) īstenot uz periferālās skaitļošanas iekārtām (edge computing devices). 2018. gadā mūsu darbs par oriģinālu pieeju mākslīgo neironu tīklu arhitektūras transformēšanai FPGA ieguva Latvijas Zinātņu Akadēmijas balvu kā viens no gada nozīmīgākajiem sasniegumiem Latvijas zinātnē.

EDI pieredze signālu apstrādes un iegultās inteliģences jomās ir sekmējusi tādu tehnoloģiju izstrādi kā valkājams gudrais audums, vilcienu integritātes monitorēšanas sistēma, multimodāla uz FPGA balstīta biometrijas sistēma, industriālai videi pielāgoti augstas datu caurlaides bezvadu sensoru mezgli, čipa paātrinātāji attēlu apstrādes un telpas dziļuma uztveres uzdevumiem, automašīnu komunikācijas sistēma, liela mēroga (100+) sensoru tīkla testa gultne un citas. Šodien EDI eksperti darbojas ar plaša mēroga platformām, sākot no mazākajiem mikrokontrolleriem, līdz modernākajām SoC tipa heterogēnajām sistēmām. Papildus kompetences iekļauj spiesto plašu (PCB) projektēšanu, zemas abstrakcijas līmeņa programēšanu, algoritmu izstrādi, digitālo un analogo shēmu kā arī kooperējošos sistēmu veidošanu.