Przejdź do treści Wyszukiwarka

Nasz zespół zajmuje się opracowywaniem zrównoważonych metod widzenia komputerowego dla maszyn autonomicznych, które zakładają ograniczone zasoby i różnorodność sensorów. Badamy takie kwestie jak dostosowanie modeli uczenia maszynowego do nowych typów danych uzyskiwanych np. za pomocą kamer zdarzeniowych oraz wprowadzamy nowe architektury odpowiednie dla ograniczonych zasobów obliczeniowych tj. GPU, CPU i RAM. Skupiamy się na teorii uczenia maszynowego, a nie na aspekcie sprzętowym, biorąc pod uwagę dbałość o zachowanie zasobów naturalnych. Dlatego priorytetem są metody, które nie tylko poprawiają wydajność i skuteczność modeli, ale także ograniczają ślad węglowy. Takie podejście przekłada się na potencjalnie większą liczbę zastosowań opisywanych maszyn, przy ograniczeniu negatywnego wpływu technologii na środowisko. 

Ochrona zwierząt, wykrywanie pożarów lub wsparcie służb bezpieczeństwa 

Nasze rozwiązania potencjalnie mogłyby być wykorzystywane w dronach jako narzędzie wspierające ochronę parków narodowych przed kłusownictwem. Pozwalają one na szybkie i skuteczne monitorowanie dużych obszarów lądowych w odległych miejscach dzięki panoramicznemu widzeniu i specjalistycznym danym pochodzącym np. ze skanowania laserowego lub termalnego. W rezultacie możliwe jest np. monitorowanie wędrówek zwierząt albo wczesne wykrycie pożaru w lesie. Obecnie istnieją drony, które mogą pełnić takie funkcje, ale ich obsługa wymaga specjalnie przeszkolonego personelu. Pojawiają się również ograniczenia związane ze sprzętem. Aby mogły działać autonomicznie, z minimalnym wsparciem człowieka, muszą być w stanie wykrywać i identyfikować zwierzęta lub pożary lasów bez pomocy z zewnątrz, a następnie podejmować odpowiednie działania. Zastosowanie to doskonale wpisuje się w cele naszego zespołu, wśród których wymienić należy wprowadzanie nowatorskich metod aktywnej eksploracji wizualnej.

Roboty widzące jak ludzie

Jednym z interesujących nas zagadnień jest aktywna eksploracja wizualna. Maszyny nie obserwują otoczenia jak ludzie. Wynika to chociażby z faktu, że możliwości sensorów czy ograniczony rozmiar baterii nie pozwalają maszynie analizować całego otoczenia jednocześnie. Dlatego wyzwaniem dla pojazdu autonomicznego jest analiza otoczenia, a także podejmowanie decyzji, na czym skupić uwagę i jakie kolejne kroki podjąć. Innymi słowy, aktywna eksploracja adresuje problem ograniczonych możliwości sensorów w scenariuszach rzeczywistych, gdzie kolejne obserwacje są aktywnie wybierane na podstawie otoczenia. Np. sensory robotów mają ograniczone pole widzenia, otoczenie ciągle się zmienia, a koszty obliczeniowe są wysokie, co komplikuje zdobycie kompletnych informacji o otoczeniu. Dlatego, aby wnioskować o całym otoczeniu, agent musi najbardziej efektywnie próbkować nowe obserwacje. Rozwiązujemy ten problem, wprowadzając nowe techniki oparte np. na dobrze generalizujących się transformerach.

Szybka adaptacja kluczem do sukcesu 

Ważnym elementem naszych badań jest wprowadzenie modeli zdolnych do generalizacji, tak aby model wytrenowany dla jednego środowiska (takiego jak preria) mógł być szybko dostosowany do nowego (takiego jak dżungla). W tym celu wprowadzamy nowatorskie podejścia do uczenia samonadzorowanego, które trenuje model bez wykorzystania etykiet, co jest z kolei korzystne dla zastosowań w różnorodnych dziedzinach. W rezultacie niejako recyklingujemy modele, znacząco zmniejszając wymaganą w treningu ilość energii.

Lider zespołu badawczego


Bartosz Zieliński

Bartosz Zieliński jest liderem zespołu badawczego w IDEAS NCBR i profesorem na Uniwersytecie Jagiellońskim. Magisterium uzyskał na UJ w 2007, doktorat na IPPT PAN w 2012, a habilitację na Politechnice Wrocławskiej w 2023, wszystkie w dyscyplinie Informatyka. Jest członkiem ELLIS Society i autorem licznych publikacji na topowych konferencjach uczenia maszynowego. Jego zainteresowania badawcze oscylują wokół widzenia komputerowego, głębokich sieci neuronowych, a także interpretowalnej i zrównoważonej sztucznej inteligencji.

 

– Narodowe Centrum Nauki: grant OPUS 2023 – 2026, projekt: Interpretowalne metody zrównoważonej sztucznej inteligencji tłumaczące decyzje w sposób intuicyjny
– Narodowe Centrum Nauki: grant SONATA 2016 – 2020, projekt: Detektory i deskryptory punktów charakterystycznych oparte na informacji topologicznej
– Małopolskie Centrum Przedsiębiorczości: grant DOCTUS 2008 – 2012, projekty: Wspomagana komputerowo detekcja zmian reumatycznych

Inne grupy i zespoły badawcze

  • Robotyka interakcji fizycznej W naszych badaniach chcemy rzucić wyzwanie obecnemu podejściu do robotyki, które unika kontaktu robota z otoczeniem.
    Krzysztof Walas
  • Inteligentne algorytmy i struktury danych Algorytmy, szczególnie te wykorzystywane w uczeniu maszynowym, dają szanse na podejmowanie lepszych decyzji niż ludzkie.
    Piotr Sankowski
  • Psychiatria i fenomenologia obliczeniowa Większość zaburzeń psychicznych jest bardzo złożona, charakteryzuje się dużą zmiennością fenotypową, częściowo niejasnymi kryteriami diagnostycznymi oraz zachodzi na siebie.
    Marcin Moskalewicz