Spojení výzkumu a praxe je téma, které se diskutuje prakticky bez přestání a všude. Zejména s příchodem Průmyslu 4.0, který do provozu přináší nové možnosti, je poptávka po sofistikovaných řešeních přímo na míru velká a univerzity tak mají prostor pro zajímavé experimenty a výzkumné projekty, do nichž čím dál tím častěji vstupuje i práce s umělou inteligencí a strojovým učením. V Českém institutu informatiky, robotiky a kybernetiky na ČVUT probíhá mimo jiné projekt imitačního učení průmyslových robotů s využitím jazyka. Jeho cílem je, aby se kolaborativní robot dal rychle přeučit na novou práci a mohl ve výrobě zastat vícero úkolů. Na současných linkách jsou roboty naprogramovány na určitou činnost a ve chvíli, kdy je třeba tuto jedinou a přesně specifikovanou činnost jakkoli změnit, musí opět nastoupit programátoři. Ekonomická zátěž je tak jedním ze zásadních důvodů, proč se robotizace do provozů, kde se úkoly často mění, dostává jen velmi pomalu. „Tým pod vedením Karly Štěpánové se proto zabývá zpracováváním komplexních kognitivních procesů v přirozených i umělých systémech a pro svou práci využívá podobné jazykové knihovny jako například virtuální asistentka Siri či Alexa. Těmto knihovnám navíc ještě vytvářejí českou jazykovou nadstavbu, aby roboty lidově řečeno rozuměly česky. Robot tedy nejenže reaguje na jazykové instrukce, ale zároveň díky kamerám i ‚vidí‘ a je schopen požadovanou činnost okamžitě zopakovat,“ vysvětluje za svou kolegyni Alena Nováková, tisková mluvčí, s tím, že vědci se snaží, aby v budoucnu mohl robot učit opravdu kdokoliv v dané továrně. Díky tomu, že projekt už nějaký čas běží, se testovací robot zvládl naučit poměrně velké množství různých úkonů. Aby byl výzkum v co největší možné míře aplikovatelný do reálného provozu, používá se běžné kolaborativní rameno Kuka, v monitorovaném prostoru jsou dále umístěny kamery, mikrofony a další senzory a toto vše je propojeno s „umělou inteligencí“ – na univerzitě vyvíjeným softwarem, který je unikátní právě tím, že na rozdíl od jiných již komerčně využívaných systémů kombinuje zrakovou a jazykovou složku. V praxi pak učení vypadá tak, že se postupovalo od nejjednodušších úkolů ke složitějším. „Vyučující“ má na hlavě sluchátka s mikrofonem, říká konkrétní instrukce a zároveň ukazuje požadované činnosti na kamery. Zpočátku se takto trénovalo například lepení na určité body nebo sestavování různě barevných kostek. Jednou z velkých výzev, se kterou se výzkumný tým potýká, je přesnost. Z tohoto snímání obrazu se totiž zatím nedají učit činnosti, u kterých je nutná přesnost na desetiny milimetru. „I přes tato technická omezení ale v projektu pokračujeme, začali jsme spolupracovat se společností Factorio Solutions, která se má postarat o to, aby se teoretický a laboratorně funkční koncept adaptoval i pro výrobní haly,“ dodává Alena Nováková. Umělá inteligence nepa tří pouze průmyslu Další z univerzitních projektů využívající strojového učení pochází z VŠB – Technické univerzity Ostrava, konkrétně z Centra podpory inovací. Podnět pro tento výzkum přišel ze soukromého sektoru, trochu nečekaně ze zemědělství a má co do činění s biopotravinami. „Péče o zeleninu v biokvalitě se provádí ručním okopáváním, a dá se proto dělat jen na malých výměrách. Na druhé straně pak stojí klasické zemědělství, hospodařící na stovkách hektarů, které používá cestu chemického odplevelování. A my jsme si řekli, že by se tyto dva světy daly spojit tak, aby se používala chytrá mechanizace, které nahradí chemii,“ popisuje nápad na konstrukci chytrého plečkovacího stroje Martin Ullmann, spolumajitel společnosti Ullmanna. Projekt přihlásil nejprve do soutěže Start-up Voucher, kterou pořádá Moravskoslezský kraj, kde uspěl a získal finanční podporu. Následovala přihláška do univerzitního Green Light Akcelerátoru, kde vyhráli závěrečnou start-up show opět s finanční odměnou a možností rozvíjet projekt na VŠB-TUO. Celkově se rozpočet na dvouletý vývoj pohybuje kolem deseti milionů korun a většina peněz přichází zvenčí, ať již formou podpory od donátorů, nebo právě z výher v soutěžích. Momentálně jsou práce v stadiu prototypu zařízení, které za pomoci umělé inteligence okopává okopaniny, tedy například cukrovou řepu, saláty, celer, česnek či dýně. Pro strojové učení bylo nejprve potřeba vytvořit dataset z desetitisíců snímků rostlin, které se je nutné rozpoznávat. Následně musely být ke snímkům ručně přiřazeny popisky a vše bylo pak formou učení navkládáno do modelu umělé inteligence vyvíjené spolu s univerzitou. „Stroj dostával snímky a v počátku spíše hádal, zda se trefuje. Ale trénuje metodou pokus–omyl po dostatečně dlouhou dobu, postupně se naučí rostliny rozpoznávat,“ vypráví dále Martin Ullmann. Takto vytrénovaný model se spojí s hardwarem a kamerami v plečce a výsledkem je stroj, který odstraňuje plevel, okopaninám se vyhne a je přesný na centimetry. Největší úskalí zařízení je v tom, že ujede 2 km za hodinu, tedy 0,5 m/s. A na půl metru jsou klidně tři až čtyři rostlinky. Ty musí stihnout rozpoznat a bez prodlení poslat signál k provedení následujících úkonů. Celkem jde o 6–8 pohybů za sekundu, což ještě před nedávnem nebylo technicky možné. Ale tím, že se vyvíjí hardware v rámci akcelerace strojového učení, tak už to stroj zvládá. Práce na prototypu však není jen o softwaru, ale i o samotné konstrukci plečkovacího zařízení. S tím týmu pomáhá uznávaný průmyslový designér Jiří Španihel. „Na příští sezónu už plánujeme testování s tuzemskými zemědělci, dále zemědělci z Rakouska, Slovensku a Polska, takže prototyp musí fungovat na jaře příštího roku,“ uzavírá. Digitální dvojče vidí do budoucnosti V tomto článku nesmíme opomenout ani brněnskou VUT, konkrétně Fakultu strojního inženýrství, kde mají v Ústavu výrobních strojů, systémů a robotiky (ÚVSSR) již několik let v provozu virtualizační komoru a před nedávnem k ní přidali vývoj digitálního dvojčete se schopností predikce. A tato kombinace doslova boří zažité představy o 3D konstruování. Podle profesora Jiřího Marka, zástupce ředitele ÚVSSR, který se na vývoji a aplikaci těchto technologií podílí, je virtualizační komora prostorem s dokonalým 3D vjemem. Oproti sledování 3D obrázku na 2D monitoru je v komoře vjem dokonalý proto, že s brýlemi se člověk pohybuje u věrně digitálně namodelovaného objektu. To konstruktérovi umožňuje stát před strojem, který stvořil, v měřítku 1 : 1. Jinými slovy, když si konstruktér vymyslí obráběcí stroj vysoký 12 m, v komoře stojí díky virtuální realitě před strojem vysokým 12 m (a to přestože samotná komora tak veliká ani není). Může si do něj i nastoupit a zkoušet si, jak smontovat jednotlivé uzly, co se stane, když zamontuje neshodný díl, jak stroj v budoucnu udržovat apod. „Komora měří 5 m na výšku, 3 m na šířku a 4 m do hloubky, její strop i zdi jsou obloženy zrcadly a obrazy jsou promítány tak, že je vjem skutečně autentický.“ Toto zařízení bylo třeba zevrubně popsat proto, že na ně navazuje projekt digitálního dvojčete. Modely, které se vytvoří v 3D v běžném počítači a promítnou v komoře, je totiž možné přes server propojit se skutečným provozem, například s takovým, kde je vedle sebe několik obráběcích strojů. A tento model, k němuž se připojí data ze snímačů umístěných v provozu, dokáže na základě neuronových sítí tyto informace vyhodnotit, predikovat, co se se stroji bude dít, a navíc na předpokládaný vývoj adekvátně reagovat zpětnými zásahy v onom provozu. Neuronová síť, když je správně natrénovaná, totiž vyhodnocuje v reálném čase a okamžitě dává návrhy řešení, takže lze předejít případným problémům. Projekt digitálního dvojčete už univerzita testuje v praxi, čímž se zároveň stále posouvá kupředu i samotné učení neuronové sítě. „Máme ho na dálku propojeno s konkrétními stroji v jedné strojírenské firmě a predikujeme jim chování strojů v závislosti na teplotách. Čili jim dáváme za pomoci umělé inteligence informace o tom, co mají zpětně udělat, když jim třeba na stroj zasvítí slunce. Zjistí, jak mají nástroj polohovat, aby obráběl stále se stejnou přesností, i když se ho část nestandardně zahřívá. K tomu všemu máme ještě virtuální obraz těchto strojů v komoře a predikci před sebou máme i vizuálně,“ říká dále Jiří Marek a na závěr dodává, že toto už je skutečně plnohodnotný Průmysl 4.0. „Takto má vypadat.“ Některé projekty se bez strojového učení obejdou Na vysokých školách však vznikají i „méně chytré“ projekty, které mají v průmyslu taktéž své podstatné místo a jsou důležitými motory zefektivňování výroby. Jedním z příkladů může být i Centrum ENET při VŠB-TUO, kde probíhá vývoj systému provádějícího kontinuální sledování technického stavu akumulátorových baterií používaných například v teplárnách pro potřeby záložních zdrojů energie. „Myšlenka vytvořit takové zařízení vznikla proto, že současné metody a frekvence kontroly akumulátorů se nám zdají nedostatečné. Princip projektu je takový, že nad bateriemi je umístěna běžná infrakamera používaná na snímkování domů či všude tam, kde je hlavním kritériem povrchová teplota,“ říká Lukáš Prokop, který se v rámci tohoto výzkumu podílel na návrhu celkové koncepce, dále pak i na realizaci testovacího pracoviště a vyhodnocení získaných dat. „Z infrakamery je záznam přenášen do počítače a speciální software, na kterém jsme pracovali, vyhodnocuje barevnou škálu jednotlivých pixelů, přičemž má definované limity, pro které barvy je stav ještě v pořádku. Známe totiž limitní hodnoty teploty, při které už je třeba věnovat akumulátorům zvýšenou pozornost,“ pokračuje. Totiž, když se baterie zahřeje, signalizuje tím, že je něco v nepořádku. Problém může být jak na spoji mezi jednotlivými články, tak i v samotném článku. Systém ale nerozezná, o jakou závadu jde, na to už musí přijít přivolaný technik. „Zařízení má pouze jednu vlastnost a tou je signalizace abnormálního stavu, která říká, že baterie potřebují pozornost.“ V rámci školy a tamních bateriových úložišť již existuje prototyp, který spolehlivě funguje. Toto řešení tedy vědci přihlásili jako užitný vzor a ten následně prodali formou licence soukromé firmě. V současné době s touto firmou pracují na tom, aby se podařilo prototypové řešení dotáhnout do podoby komerčně nasaditelného průmyslového řešení. Vývoj prototypu trval týmu výzkumníků pouze osm měsíců, financován byl v rámci dotačního titulu a celkové náklady se vyšplhaly na několik set tisíc korun. „Šlo nám to takhle rychle, protože jsme už měli z dřívějška hotové podobné projekty. Využitím infračervených kamer se totiž zabýváme již poměrně dlouho. Měli jsme tak tedy při podávání projektu určité předpoklady a po udělení grantu vzniklo během tří měsíců vlastně jen testovací pracoviště, kde jsme implementovali software, otestovali ho a nasadili jej ve formě prototypu do poloprovozního režimu v rámci našeho bateriového úložiště,“ popisuje dále s tím, že technologie se dá použít na všechny typy baterií, u nichž se dá měřit povrchová teplota jednotlivých článků. Nejčastěji jde o olověné, případně lithiové baterie. Na podobné bázi funguje i projekt Technické univerzity Liberec, která vytvořila průmyslové zařízení pro automatizovanou optickou inspekci laserem vytvořených značek a popisů. I v tomto případě přišel podnět pro výzkum jako poptávka ze soukromé sféry a univerzita zareagovala. „Popisky se mnohdy liší svou kvalitou, navíc ještě vzniká rozdíl při lidské kontrole, protože každý člověk vidí jinak. Kontrast a ostrost je různá, mění se v čase. Proto u nás tato firma poptávala zařízení, do nějž by se výrobek vložil, stisklo by se nějaké tlačítko a na monitoru počítače se zobrazila kontrolka, která by měla dvě možné barvy – zelenou, coby signál, že je výrobek v pořádku, a červenou, která by upozorňovala na problém,“ říká David Krčmařík, programátor a jeden z řešitelů projektu. Přístroj by se tedy dal popsat jako krabice s kamerou a osvětlením, která je připojena datovým kabelem do počítače, v němž je nahraný speciální software, vyvíjený na této severočeské vysoké škole. Výhodou je, že zařízení, a potažmo program vůbec, je zapojeno do firemních sítí, pracuje zcela nezávisle na nich jen v kombinaci s počítačem a je mobilní. Technik se s ním může po provozu pohybovat, případně docházet do různých podniků, a když mu při namátkové kontrole zařízení zahlásí u nějakého výrobku chybu, může ihned reagovat a výrobní stroj patřičně seřídit. David Krčmařík však přiznává, že zrovna tento projekt se do reálného provozu nedostal. „Už jsme byli s projektem téměř hotovi, ale firma najednou o toto řešení ztratila zájem. Důvodem byly podle mě s největší pravděpodobností finance, takže další spolupráce padla. Na jednu stranu to byla škoda, ale na tu druhou výhoda,“ vypráví dále. Tou dobou totiž na TUL probíhal jiný projekt, kde byl požadavek na vývoj zařízení kontrolující filtry do automobilů. Vývojáři tedy vzali know-how z předešlého nerealizovaného projektu, aplikovali jej na novou poptávku a postavili zařízení na míru přímo pro automotive. „V té firmě filtry projížděly kontinuálně na pásu a naše zařízení je automaticky rozpoznalo a zjistilo, zda je tam potenciální chyba. Pokud ano, zařízení zapípalo a operátor filtr odstranil.“ Zařízení snímá standardní kamerou připojenou datovým kabelem do počítače. Sejme obraz, software jej zpracuje a ve výsledku systém rozsvítí barevnou kontrolku podle toho, zda je filtr v pořádku, nebo ne. Program a detekce vadných kusů funguje i v tomto případě na základě limitů. „Strojové učení je složitý algoritmus, u nějž podle mě nejsou pod kontrolou všechny parametry, protože jde o učení. A když zadáte špatné vzorky, tak se je umělá inteligence naučí špatně. Proto jsme vzali velkou sadu dobrých filtrů, velkou sadu špatných filtrů, nechali jsme data projít námi vytvořeným algoritmem, nalezli jsme určité limity a ty limity poté testujeme na konkrétní instalaci. A když jsme se dostali do mezí, které vyhovovaly požadavkům zákazníka, následovalo testování v provozu pro nalezení ideálních limitů,“ pokračuje s popisem David Krčmařík. Zjednodušeně řečeno tedy stroj dostane dané parametry a podle nich funguje v určitém rozmezí tak, aby mohlo nahradit operátory, kteří výrobek sledují zrakem. „Nevýhoda lidského oka je v tom, že každý člověk vidí výrobek jinak a každý i jinak vyhodnotí to, co vidí. Naše zařízení pracuje stoprocentně opakovatelně a také rychleji,“ vyjmenovává na závěr přínosy tohoto automatizovaného řešení. Na vysoké školy se obracejí i státní instituce Poslední představený projekt pochází z dílny ČVUT, konkrétně z Českého institutu informatiky, robotiky a kybernetiky. Jde o mnohokamerový bezpečnostní skener podvozků Kassandra. Jeho vývoj jde v součinnosti s Vojenským opravárenským podnikem a univerzita na něj získala grant z Ministerstva vnitra ČR v celkové výši 8,3 milionu korun. Tato bezpečnostní aplikace má podobu ve vozovce zabudovaného skeneru o rozměrech 2 × 0,4 × 0,4 m, který je schopen vytvořit 3D model podvozku a rozpoznat SPZ. Pokud je vozidlo systému známé, porovná předchozí a aktuální průjezd, a najde-li odlišnost, zvýrazní ji obsluze na monitoru. Ta má pak možnost rozhodnout, zda jde o nepřesnost měření, či zda se na podvozku nachází něco, co tam nepatří. „Projekt je vytvořen pro zabezpečení kritických infrastruktur, jako jsou elektrárny či velvyslanectví. Dá se aplikovat všude tam, kde v současnosti ostraha používá zrcátko a prohlíží podvozek, jestli na něm něco není. A pokud jde o místo s hustším provozem, kam zajíždějí zaměstnanecká auta, je možné jej použít na automatická kontrolu,“ popisuje Karel Košnar, který na Kassandře pracuje jako jeden z řešitelů. Vývoj Kassandry zatím probíhá a směřuje k vytvoření prototypu a počítá se i s reálnou výrobou zařízení. Ani tato aplikace však nepoužívá strojové učení, nýbrž počítačové vidění. V Kassandře je soustava kamer a zrcadel, které vytvoří stereoobraz a z něj software počítá 3D model a probíhá klasické porovnávání. Systém tedy nedokáže najít nestandardní tvar po jednom průjezdu, vždy musí mít s čím porovnávat. A neumí ani rozpoznat, jakou odlišnost našel. „Tato funkce ani nebyla požadována, protože jde o bezpečnostní záležitost, kde existuje jednoznačně snaha nechat kontrolu a rozhodovací proces vždy na člověku.“ Přestože porovnání v databázi zabere Kassandře pouhé sekundy, řešitelé se aktuálně na projektu zabývají časem. Doba, kterou systém potřebuje k tomu, aby na displeji ukázal naskenovaný obraz, je příliš dlouhá. „Pohybujeme se okolo 60 s, což je příliš. Potřebovali bychom se dostat tak na 10 s, což je pro praxi ještě rozumná hodnota.“ Zařízení by se pak dalo v budoucnu používat třeba i na letištích. Vědci uvažují, že by systém do budoucna naučil, jak vypadá normální podvozek auta, a všechno, co by při průjezdu vypadalo nestandardně, co se na autech běžně nevyskytuje, by vyznačil. „Ale je otázkou, jaké požadavky budou mít objednavatelé. S ohledem na bezpečnost bude totiž stále potřeba člověka, který půjde a označenou věc prohlédne osobně,“ uzavírá Karel Košnar.
/Kristina Kadlas Blümelová/
