Přihlášené přednášky o vynikajících výsledcích pro Setkání kateder 2018

Příspěvky přihlášené na Setkání kateder 2018 v části vynikajících výsledků. Z těchto přihlášených příspěvků vybereme sedm příspěvků, které na Setkání budou mít ve čtvrtek 6. 9. dopoledne dvacetiminutovou přednášku.

  • Autor, jeho afiliace, název, abstrakt, datum přihlášení

  1. Ing. Martin Švejda, Ph.D., Katedra kybernetiky FAV ZČU Plzeň
    Název:
    Speciální roboty pro nedestruktivní testování
    Abstrakt:
    Roboty určené pro nedestruktivní zkoušení průmyslových komponent tvoří speciální třídu robotů, která se od svých standardních průmyslových protějšků liší nejen kinematickým uspořádáním, ale zároveň i často odlišným způsobem řízení pohybu a uživatelským programováním. Výzkumný tým na Katedře kybernetiky Západočeské univerzity v Plzni pod vedením prof. Schlegela se vývojem nestandardních architektur robotů a jejich řízením zabývá již řadu let. V rámci přednášky budou shrnuty klíčové výsledky výzkumu a vývoje v oblasti robotického nedestruktivního testování. Zároveň budou demonstrovány vyvinutá robotická řešení formou videoukázek.
    Přihlášeno: 2018-08-01


  2. Mgr. Josef Urban, Ph.D., CIIRC ČVUT v Praze; nositel IRC grantu; vítězství v Mistrovství světa v automatickém usuzování 2018
    Název:
    Automating Formalization by Statistical and Semantic Parsing of Mathematics
    Abstrakt:
    The talk will introduce our project to automate computer understanding and formal verification of informal mathematical texts by combining statistical machine learning methods with semantic/symbolic AI methods such as theorem proving and type checking. I will also mention recent large formalization projects such as the formal proof of the Kepler conjecture that serve as a corpus for our autoformalization experiments.
    Přihlášeno 2018-08-05


  3. Ing. Jakub Dokoupil, Ph.D., CEITEC VUT Brno
    Název:
    Identifikace časově proměnných systémů jako statistický rozhodovací problém
    Abstrakt:
    Téma příspěvku bude věnováno pravděpodobnostní identifikaci časově proměnných systémů při neznalosti modelu vývoje parametrů. Absence znalosti o vývoji parametrů je substituována mechanismem potlačujícího vliv zastaralé informace s důrazem na tyto dva aspekty: poskytnout automatickou správu efektivní paměti rekurzivního algoritmu prostřednictvím datově řízeného faktoru zapomínání a současně kompenzovat potenciální ztrátu persistentního vybuzení. Navrženým řešením je geometrický průměr aposteriorní a alternativní funkce hustoty pravděpodobnosti, který je pro normální modely redukován na konvexní kombinaci informačních matic. Tato kombinace s automatickou volbou vah je výsledkem optimalizace funkcionálu sestaveného na základě Bayesovských principů s Kullbackovou-Leiblerovou divergencí jako mírou nesouladu dvou hustot pravděpodobností.
    Odkazy:
    J. Dokoupil, A. Voda, and P. Václavek, „Regularized extended estimation with stabilized exponential forgetting,„ IEEE Trans. Autom. Control, vol. 62, no. 12, pp. 6513-6520, Dec. 2017.
    J. Dokoupil and P. Václavek, „ Data-driven stabilized forgetting design using the geometric mean of normal probability densities,„ in Proc. 57th IEEE Conf. Decision Control, 2018, accepted.
    Přihlášeno 2018-08-14


  4. doc. Ing. Jan Žídek, CSc. Katedra kybernetiky a biomecínského inženýrství FEI VŠB-TU Ostrava
    Název:
    Společný aplikovaný výzkum Katedry kybernetiky a biomedicínského inženýrství, VŠB-TU Ostrava a Fraunhofer Institutu, Institute for Machine Tools and Forming Technology
    Abstrakt:
    V příspěvku bude prezentována spolupráce se špičkovou výzkumnou organizací Fraunhofer Institut z Německa, kterou od roku 2016 rozvíjí Katedry kybernetiky a biomedicínského inženýrství. Společné aktivity vedly až ke zřízení kontaktní kanceláře Fraunhofer Institutu na FEI, VŠB-TU Ostrava v roce 2017. V rámci různých výzev dotačních programů jsou podávány projekty, z nichž některé již končí a další se řeší nebo startují. Z končících projektů bude představen projekt SELF – Sequential electromagnetic forming – strategy for high-ly flexible production of large sheet metal parts podaný v roce 2016 v rámci 20. výzvy CORNET. V rámci spolupráce zde byl řešen problém transformace jednorázového tváření plechů elektromagnetickým polem na sekvenční tváření. Ve spolupráci odborníků čtyř kateder FEI VŠB-TU Ostrava s odborníky z Německa vzniknul koncepční návrh stroje schopného sekvencí postupných kroků tvářet velké plechy.
    Prezentovány budou rovněž další tři rozbíhající se projekty.
    Odkazy:
    Rozhodli jsme se prezentovat nikoliv jeden výsledek typu publikace apod., ale chceme představit naši systematickou spolupráci v aplikovaném výzkumu s německým Fraunhofer Institutem. Nastartování a rozsah této spolupráce považujeme za náš výrazný úspěch v posledním období.
    Přihlášeno 2018-08-15
    V. Hlaváč: 2018-08-15 Raději bych měl v programu excelentní výsledek. Zatím je přihlášek málo, a tak možná přimhouřím oko. Uvidíme, kolik příspěvků bude ještě přihlášeno.Když příspěvek přijmeme, ostatní mohou být právem smutní, že podobný příspěvek by také přihlásili.


  5. Ing. Martin Sarnovský, PhD. Katedra kybernetiky a umelej inteligencie, FEI, TU v Košiciach
    Název:
    Využitie platformy pre spracovanie a analýzu veľkých dát pre tvorbu prediktívnych modelov v oblasti procesného priemyslu
    Abstrakt:
    Procesný priemysel v súčasnosti predstavuje podstatnú časť európskeho priemyslu z pohľadu spotreby energie a environmentálneho vplyvu. Ukazuje sa, že dátová analytika môže priniesť výrazné benefity pri optimalizácii výrobných procesov a viesť k výrazným úsporám, ako v oblasti ekonomickej, tak aj environmentálnej. Aplikácie a nasadenie analytických modelov v praxi ale môžu byť plné problémov, ktoré súvisia so zberom dát a ich integráciou, rovnako aj s vývojom a prevádzkou infraštruktúry pre dátovú analytiku schopnú spracovávať aj veľké dáta. Príspevok sa venuje predstaveniu zdieľanej medzi-sektorovej dátovo analytickej platformy pre oblasť procesného priemyslu, ktorá je vyvíjaná v rámci výskumného H2020 SPIRE projektu MONSOON. Hlavným cieľom bolo vyvinúť škálovateľnú platformu, ktorá umožní zhromažďovať a uchovávať veľké dáta z rôznych prevádzok a odvetví priemyslu a vytvárať prediktívne modely určené pre optimalizáciu výrobných procesov. Navrhovaná analytická platforma obsahuje vývojové prostredie pre vývoj a nasadenie takýchto modelov, simulačné prostredie pre ich testovanie a vyhodnotenie. Zdieľanie analytickej platformy medzi jednotlivými odvetviami priemyslu potom umožní, okrem optimalizácie procesov a šetrenia výrobných nákladov, aj transfer najlepších praktík a znalostí medzi jednotlivými doménami. V rámci projektu sú zahrnuté dve prostredia pre validáciu a demonštrovanie možností navrhovanej platformy. V oblasti produkcie hliníka vo Francúzsku je platforma využívaná pri prediktívnej údržbe zariadení a pre predikciu kvality výroby anód používaných pri elektrolýze. V prípade výroby plastových dielov v Portugalsku sa zameriavame na prediktívne modelovanie kvality výrobkov vyrábaných injekčným vstrekovaním.
    Odkazy:
    Publikácia v MDPI časopise Big Data and Cognitive Computing – http://www.mdpi.com/2504-2289/2/1/3 patrí medzi najsťahovanejšie publikácie z prvej polovice tohoto roka – počet stiahnutí od januára 4244
    Pozvaná prednáška na IEEE konferencii SAMI 2018 (Martin Sarnovský: Big Data Processing and Analytics for Process Industries)
    Přihlášeno 2018-08-15


  6. doc. Ing. Karel Zimmermann, Ph.D., katedra kybernetiky, FEL ČVUT
    Název:
    Learning for Active 3D Mapping
    Abstrakt:
    We propose an active 3D mapping method for depth sensors, which allow individual control of depth-measuring rays, such as the newly emerging solid-state lidars. The method simultaneously (i) learns to reconstruct a dense 3D occupancy map from sparse depth measurements, and (ii) optimizes the reactive control of depth-measuring rays. To make the first step towards the online control optimization, we propose a fast prioritized greedy algorithm, which needs to update its cost function in only a small fraction of pos- sible rays. The approximation ratio of the greedy algorithm is derived. An experimental evaluation on the subset of the KITTI dataset demonstrates significant improve- ment in the 3D map accuracy when learning-to-reconstruct from sparse measurements is coupled with the optimization of depth-measuring rays.
    Odkazy:
    K. Zimmermann, T. Petricek, V. Salansky, T. Svoboda. Learning for Active 3D Mapping. In International Conference on Computer Vision (ICCV) 2017
    https://arxiv.org/abs/1708.02074
    Přihlášeno: 2018-08-16


  7. Erik Kučera. Ústav automobilnej mechatroniky, FEI, STU Bratislava
    Autoři: Erik Kučera, Oto Haffner, Erich Stark, Štefan Kozák, Peter Drahoš
    Název:
    Nové formy a metódy výučby v oblasti rozšírenej a virtuálnej reality pre Industry 4.0
    Abstrakt:
    Dnes už niet pochýb, že stojíme na prahu štvrtej priemyselnej revolúcie Industry 4.0, ktorej dopady si vyžadujú zavádzanie nových metód výučby a prípravy absolventov. Hybnou silou zmien v rámci prebiehajúcej revolúcie sú moderné informačno-komunikačné technológie, ktoré sú implementované do priemyselných procesov. Medzi tieto moderné technológie patrí najmä (Industrial) Internet of Things a rozšírená a zmiešaná realita. Do popredia sa dostáva najmä zmiešaná realita, ktorá má oproti virtuálnej realite nesporné výhody, pretože v nej užívateľ vníma súčasne reálny aj virtuálny svet.
    Článok je zameraný na opis v súčasnosti dosiahnutých výsledkov v oblasti výskumu a výučby v 3 predmetných oblastiach, ktorými sa zaoberá v súčasnosti Ústav automobilovej mechatroniky FEI STU:

    1. moderné formy výučby realizované prostredníctvom počítačovo generovanej reality,
    2. ergonómia pracovísk pre Industry 4.0,
    3. nové metódy diagnostiky a ovládania zariadení IoT pomocou rozšírenej a zmiešanej reality

    Odkazy: žádné
    Přihlášeno 2018-08-16


  8. prof. Ing. Mikuláš Huba. Ústav automobilnej mechatroniky, FEI, STU Bratislava
    Autoři: M. Huba, K. Žáková, P. Bisták
    Název:
    Prežijú PID regulátory v rámci Priemyslu 4.0?
    Abstrakt:
    PID regulátory predstavujú najčastejšie využívanú, aj keď zdanlivo najjednoduchšiu technológiu automatického riadenia. Neutíchajúce množstvo výskumných prác na túto tému a otázky motivácie, ktorá k nim viedla, už boli neraz aj témou ironických príspevkov. Veľké množstvo „inteligentných“ metód rieši otázky automatizácie a digitalizácie ich optimálneho nastavenia. Získané výsledky sú síce elegantnou demonštráciou možností identifikácie, optimálneho riadenia a umelej inteligencie – zodpovedajú však aj požiadavkám prichádzajúcim z praxe? Tohtoročnej 3. konferencii IFAC na tému PID dominovala explózia prác zameraných na regulátory s neceločíselným rádom. Sú tieto nádejou v automatizácii ich nasadzovania? Príspevok porovná ich východiská, problémy použitia, optimalizácie, nasadzovania, overovania v rámci IoT a dosahované výsledky s novozavedeným konceptom PIDmn regulátorov s celočíselnými rádmi derivačnej zložky m a  dolnopriepustného filtra n>m. Ukáže, že nový prístup láme viaceré historické dogmy ohľadne využitia derivačnej zložky pre komplexné nelineárne systémy so  zašumenými signálmi a časovými oneskoreniami.
    Odkazy: žádné
    Přihlášeno: 2018-08-16



Zodpovídá: Václav Hlaváč