to top
Select language:    en ENGLISH  |  cs CZECH
Archiv Technical Computing Prague 2019
Christoph Stockhammer, MathWorks Germany
Artificial Intelligence is transforming the products we build and the way we do business. It also presents new challenges for those who need to build AI into their systems. Creating an “AI-driven” system requires more than developing intelligent algorithms. It also requires:
- Insights from domain experts to generate the tests, models, and scenarios required to build confidence in the overall system.
- Implementation details including data preparation, compute-platform selection, modeling and simulation, and automatic code generation.
- Integration into the final engineered system.
Christoph Stockhammer, MathWorks Germany
Reinforcement learning allows you to solve control problems using deep learning without using labeled data. Instead, it uses a model of your system that captures the appropriate dynamics of the environment and learns through performing multiple simulations. This simulation data is used to train a policy which is represented by a deep neural network that would then replace your traditional controller or decision-making system.
Zdeněk Hanzálek, CIIRC ČVUT
Automatizované řízení automobilu je výzvou pro každého inženýra, který studoval technickou kybernetiku nebo příbuzný obor. Ve spolupráci s Porsche Engineering v Praze jsme se této výzvy chopili a dnes Vám ukážeme, jak autonomně kličkovat s Porsche Panamera mezi kužely. Tato komplexní aplikace zahrnuje řadu zajímavých úloh: vývoj efektivního SW, optimalizaci, zpracování obrazu, teorii řízení, zpracování dat z kamery a lidaru, strojové učení a real-time programování paralelního HW. Vše se musí dít spolehlivě a rychle, protože chceme auta spolehlivá a rychlá.
Zdeněk Kubín, Doosan Škoda Power
Prediktivní diagnostika lopatek je vzhledem ke zvyšujícím se nárokům na lopatky, vlivem zapojování obnovitelných zdrojů, stále více žádána. Využití tenzometrických měření nebo tzv. blade tip-timingu je však velice nákladné, proto se přistupuje k méně přesnému měření s využitím standardní instrumentace turbíny. Nepřesnost instrumentace se nahrazuje robustními metodami identifikace a následnou klasifikací s využitím neuronových sítí.
Jaroslav Jirkovský, Humusoft s.r.o.
Deep Learning umožňuje řešit úlohy z oblasti počítačového vidění, jako je klasifikace snímků, detekce objektů na snímcích a sémantická segmentace obrazu, nebo úlohy z oblasti rozpoznávání signálů a návrhu pokročilých řídicích systémů. Uplatnění nachází v automobilových aplikacích – ADAS a autonomní řízení, medicíně – diagnostika snímků a MRI, satelitním snímkování, rozpoznávání řeči či monitorování systémů. Nejnovější nástroje v prostředí MATLAB přinášejí grafický návrh a editaci deep learning modelů – nástroj Deep Network Designer, podporu modelů pro 3-D obrazová data, efektivní detekci objektů pomocí detektoru YOLO, grafické aplikace na označování obrázků, videa, signálů i zvuku, podporu výměny modelů přes ONNX formát a automatizované nasazení výsledných modelů na cílová zařízení prostřednictvím generování kódu v jazyce C nebo CUDA. Úplnou novinkou je pak sada nástrojů pro Reinforcement Learning, techniku, která umožní aplikaci deep learningu k řešení komplexních úloh v oblasti automatického a autonomního řízení systémů a robotiky.
Jaroslav Jirkovský, Humusoft s.r.o.
Využití nástrojů MATLAB a Simulink k vývoji software pro monitorování stavu zařízení a prediktivní údržbu. Základem jsou prediktivní modely umožňující odhad zbývající životnost zařízení (RUL). Využít lze modely různých typů v závislosti na dostupných informacích z provozu sledovaného zařízení. Celý proces zahrnuje několik etap od sběru dat a výběru vhodných indikátorů stavu zařízení přes návrh a testování prediktivního modelu až po nasazení výsledného řešení v rámci podnikových systémů.
Jiří Sehnal, Humusoft s.r.o.
Autonomní řízení automobilu je asi největší současnou výzvou automobilového průmyslu. Pro vývoj algoritmů a jejich testování je třeba disponovat množstvím reálných scénářů z provozu na kterých se umělá inteligence učí. K tomu je potřeba získat data z provozu, provést na nich selekci, anonymizaci, anotaci a převést na parametrizovatelné testovací scénáře. Ty pak slouží k simulaci jízdy vozidla v provozu.
Michal Blaho, Humusoft s.r.o.
Vývoj robotických a autonómnych systémov patrí k moderným oblastiam výskumu. Výskumníci a inžinieri takýchto systémov sa snažia navrhnúť a ladiť algoritmy, ktoré splnia najprísnejšie požiadavky v oblastiach ako je napríklad plánovanie pohybu alebo vnímania okolia pre mobilné roboty, UAV alebo manipulátory. Častou súčasťou riešení je aj Robot Operating System (ROS), ktorý pomáha pri získavaní a analýze dát zo snímačov. V tejto prednáške si povieme o zaujímavých nástrojoch MATLABu pre vývoj robotických a autonómnych systémov