Kongresové centrum ČVUT, Praha, Česká republika
Využití metody Model-Based Design při vývoji systémů, které vedle klasických algoritmů pro řídicí systémy či úpravu a zpracování signálů obsahují modely vytvořené metodami umělé inteligence.
Master Class Vás provede krok po kroku ukázkovým příkladem pro klasifikaci a počítání objektů pomocí kamery a otočného stolku, na kterém jsou objekty umístěny. Příklad bude sledovat postup návrhu od volby a učení hluboké neuronové sítě přes její integraci se zbytkem algoritmu až po nasazení celého systému na cílovou platformu (Raspberry Pi) pomocí automatického generování kódu.
Metoda Model-Based Design umožňuje společný vývoj a testování modelů umělé inteligence se zbytkem systému, optimalizovat jejich vzájemné působení, odhalit včas případné problémy s integrací a dovést návrh až do podoby cílového nasazení.
Virtual sensor modeling is a resourceful technique that may be used to mimic the behavior of a physical sensor. Developing a virtual sensor (also known as soft sensor) can help in situations when the signal of interest cannot be measured, or when a physical sensor adds to much cost and complexity to the design. For example, when developing a Battery Management System (BMS) for an Electric Vehicle, laptop, etc., having an accurate value of the Battery State of Charge (SOC) is a critical element in the design. However, it may not be directly measured. Deep learning and machine learning techniques can be used as alternatives or supplements to Kalman filters and other well-known virtual sensing techniques. These AI-based virtual sensor models must integrate with other parts of the embedded system. In the case of a BMS, an AI-based SOC virtual sensor must be integrated with power limitation, fault detection, and cell balancing algorithms. Development of such a large and complex system requires integration, implementation, and testing of different components while minimizing expensive and time-consuming prototyping with actual hardware. Model-Based Design is a proven approach to accomplish this.
It is often a good idea to linearly transform each input and output signal to have a mean of zero and a standard deviation of one. This technique, called standardisation or z-scoring, is particularly useful for training statistical classifiers and recurrent neural networks because it helps with the conditionality and numerical stability of the training process. However, some problems require the neural network to predict outputs with the same relative error over different orders of magnitude. A typical class of such problems is modelling flow, vibration and other dynamic processes. This presentation shows how the training data can be nonlinearly transformed, how the transformation affects the network performance, and the drawbacks of this method. The application of nonlinear transformation of training data is also demonstrated by modelling hydrodynamic lubrication in a journal bearing using feedforward neural networks.
Reduced order modeling (ROM) je technika sloužící ke zjednodušení detailních matematických modelů snížením jeho výpočetní složitosti při zachování podstatných charakteristik chování původního modelu. Redukované modely umožní efektivnější simulaci a nacházejí využití při simulacích na systémové úrovni, Monte Carlo simulacích, návrhu řídicích systémů nebo vytváření digitálních dvojčat. Redukované modely založené na AI jsou vytvářeny na základě vstupních a výstupních dat z původního detailního modelu, ze kterých se učí věrně reprezentovat chování modelovaného systému.
Metody založené na AI nacházejí v oblasti návrhu řídicích systémů řadu uplatnění. Může se jednat o adaptivní či prediktivní regulátory, které využívají neuronové sítě k popisu vnitřního modelu, nebo o přímou reprezentaci regulátoru AI modelem a jeho ladění metodou reinforcement learning.
Testování v reálném čase představuje klíčový prvek v vývoji moderních systémů v automobilovém průmyslu a dalších odvětvích. Prezentace zmiňuje testování, včetně modelování, simulace a testování hardware-in-the-loop (HIL), a jejich aplikaci v průmyslových scénářích. Na modelových příkladech budou demonstrovány strategie integrace této platformy do vývojového procesu s důrazem na zkrácení času na trh a minimalizaci nákladů. Závěrem budou zmíněny trendy a budoucí perspektivy v oblasti testování v reálném čase na platformě dSPACE.
In the manufacturing industry, automated visual inspection systems with high-resolution cameras efficiently detect microscale or even nanoscale defects that are difficult for human eyes to pick up. In visual inspection applications, deep learning is used to design and develop smarter ways to detect and classify defects in images and videos. In this context, deep learning complements classical image processing and computer vision techniques. MATLAB supports the full workflow, from image acquisition to algorithm development and then deployment do industrial automation platforms.
Algoritmy autonómnych systémov sa pri vnímaní prostredia spoliehajú na dáta zo snímačov. Môže ísť napríklad o dáta z kamery, radaru, lidaru alebo IMU. Umelá inteligencia pomáha získavať z dát informácie, ktoré uľahčujú rozhodovanie a riadenie autonómnych systémov. V príspevku si ukážeme nástroje AI pre detekciu a segmentáciu objektov z rôznych dát a ich využitie pri vnímaní prostredia a rozhodovaní.