Mašinsko učenje inteligentnih robotskih sistema

Cilj je da studenti ostvare sposobnost za razvoj i implementaciju inteligentnih mobilnih robota sposobnih da realizuju radne zadatke u naprednom tehnološkom okruženju, kroz hardversko-softversku integraciju, bez eksplicitnog upravljanja od strane čoveka-operatera, a u skladu sa primenjenim paradigmama veštačke inteligencije. S obzirom da proizvodne tehnologije 21. veka obuhvataju tu hardversko-softversku integraciju inteligentnih sistema, posebno mobilnih robota, kao i automatizovanih agenata, ovaj predmet ima za cilj da studente master akademskih studija, kroz teorijske, a posebno preko praktičnih aspekata, osposobi za samostalan razvoj savremenih robotizovanih sistema i procesa, njihovo modeliranje, uvođenje, sve do implementacije u okviru četvrte industrijske revolucije, i to kroz primenu novih algoritama i metoda u domenu veštačke inteligencije.

Po uspešnom završetku ovog kursa, studenti bi trebalo da budu osposobljeni da:

– Kompleksno koriste informaciono-komunikacione tehnologije u okviru inteligentnih robotskih sistema.
– Samostalno vrše izbor metoda baziranih na primeni različitih metoda veštačke inteligencije (veštačkih neuronskih mreža, fazi logike i hibridnog upravljanja, itd.), kao i biološki inspirisanih algoritama pri traženju optimalnog rešenja u procesu razvoja i primene mašinskog učenja inteligentnih robotskih sistema (korišćenjem softvera Matlab i BPnet).
– Razumeju interakcije softverskih i hardverskih podsistema mobilnog robota pri odlučivanju, tokom istraživanja tehnološkog okruženja, kroz rekonfigurisanje njegove fizičke strukture i programiranje inteligentnog ponašanja u Matlab okruženju.
– Imaju razvijenu sposobnost za timski rad.

Teorijska nastava

– Uvod u inteligentne sisteme bazirane na znanju i mašinskom učenju. Modeli mašinskog učenja; dedukcija, indukcija i analogija. Mašinsko učenje kao osnova inteligentnih sistema i procesa.

– Evolutivnost i inteligentni sistemi bazirani na multiagentskoj metodologiji.

– Inteligentni mobilni roboti; ključne kognitivne sposobnosti mobilnih robota uključujući percepciju, izbegavanje prepreka, anticipaciju, planiranje putanje, kompleksnu koordinaciju motora, razumevanja ponašanja drugih agenata, itd.

– Ocenjivanje položaja mobilnog robota i karakterističnih objekata u tehnološkom okruženju. Kalmanov filter.

– Veštačke neuronske mreže: višeslojne neuronske mreže bez povratnih sprega, neuronske mreže sa radijalnim bazisnim funkcijama.

– Fazi logika i fazi upravljanje.

– Neuro-fazi kontroleri.

– Inteligentno upravljanje mobilnog robotskog sistema.

– Biološki inspirisani algoritmi u procesu optimizacije inteligentnih robotskih sistema.

Praktična nastava

1. Auditorna vežba: Arhitekture softvera za mašinsko učenje inteligentnih sistema.

2. Laboratorijska vežba br. 1: Inteligentno ponašanje agenata tehnološkog sistema bazirano na algoritmu empirijskog upravljanja.

3. Laboratorijska vežba br. 2: Arhitektura uključivanja nivoa kompetencije inteligentnog robotskog sistema (projektovanje inteligentnog ponašanja mobilnog robota u interakciji sa detektovanim objektima – programiranje u Matlab okruženju).

4. Laboratorijska vežba br. 3: Navigacija mobilnog robota i izgradnja mape tehnološkog okruženja Simultaneous Localization and Mapping (SLAM) – programiranje u Matlab okruženju.

5. Laboratorijska vežba br. 4: Komunikativnost i interaktivnost robota u radnom okruženju.

6. Laboratorijska vežba br. 5: Inteligentno upravljanje mobilnog robota.

7. Izrada projekta: unutrašnji transport delova i/ili materijala; inteligentno upravljanje mobilnog robota u funkciji lokalizacije i simultane izgradnje mape tehnološkog okruženja, itd.