Цели на проекта, работни хипотези и средства и методи за постигането им
1. Цели и работни хипотези
Основна цел на проекта е създаване на нови теории и методи или обогатяване на съществуващи знания, свързани с алгоритми за управление на роботи за работа в сложна среда, чрез провеждане на теоретични и експериментални изследвания.
За постигане на основната цел дефинираме 4 специфични цели, които са:
Специфична цел 1: Изследвания на работното и конфигурационното пространство на роботи при наличие на ставни ограничения и препятствия. Детайлно описание на тази цел, методите и средствата за нейното постигане е дадено в работен пакет 2.
Специфична цел 2: Разработване на алгоритми за планиране и изпълнение на движения в сложна среда. Детайлно описание на тази цел, методите и средствата за нейното постигане е дадено в работен пакет 3.
Специфична цел 3: Създаване на симулационни модели и прототипи на роботи за движения в среда с препятствия. Детайлно описание на тази цел, методите и средствата за нейното постигане е дадено в работен пакет 4.
Специфична цел 4: Провеждане на експерименти с прототипи на роботи. Детайлно описание на тази цел, методите и средствата за нейното постигане е дадено в работен пакет 4.
За постигане на формулираните цели ще се изследват следните хипотези:
1. Съществува набор от параметри и критерии, които определят способността на определен тип робот да извършва движения в сложна среда. Такива може да са например: степените на редундантност и коефициент ът на мобилност при стационарни роботи; способността за реализиране на нехолономни движения при мобилни роботи и др.
2. Работното и конфигурационното пространство на стационарни роботи могат да се разделят на зони според типа на решение на обратната задача на кинематиката. Тези зони са важни за планиране на движенията им , защото преминаването от един тип решение към друг, когато има препятствия в работната зона, не винаги е възможно. Може да се намери подход за определяне на такива зони в двете пространства.
3. Планиране и прецизно изпълнение на движения на робот в среда с препятствия с помощта на алгоритми за самообучение може да доведе до по- ефективни резултати, когато формата и разположението на препятствията не са предварително известни. Може да се докаже сходимост на методите за управление със самообучение, когато те се прилагат за управление на роботи в сложна среда, в която има препятствия.
4. Роботи и алгоритми за движение в среда с препятствия могат да се реализират въз основа на минималистичен принцип - роботи с проста конструкция и евристични алгоритми, които ползват малък брой двигатели и сензори.
Реалистичността на предлаганите цели е обусловена от това, че научния колектив има дългогодишен опит, експертиза и публикации в реферирани списания по тематиката на проектопредложението и е работил по национални и международни проекти с близка тематика.
2. Методи и средства за постигане на изследователските цели, включително и интердисциплинарност на проектното предложение
За постигането на основната цел и специфичните цели ще се търсят отговори на следните въпроси:
1. Какви типове роботи са подходящи за работа в сложна среда и как да се оцени приложимостта и качествата им? Кои параметри на роботите са от ключово значение при манипулиране в среда с препятствия?
2. Кои алгоритми са подходящи за генериране на конфигурационното пространство на стационарни роботи работещи в среда с препятствия? Какви са особеностите при планиране на движения в конфигурационното пространство?
3. Кои алгоритми са подходящи за планиране на движения в сложна среда за различни типове стационарни и мобилни роботи? Как да се подобрят тези алгоритми?
4. Как могат да се прилагат алгоритми за управление със самообучение в сложна среда? Какви са условията и изискванията към самообучаващия оператор, за да се гарантира сходимост на алгоритмите в сложна среда с динамични и статични препятствия?
За намиране на отговори на поставените въпроси ще се използват следните методи и средства:
- Извършване на теоретични изследвания, базирани на математични модели, за определяне на оптимални решения и конструкции на роботи, чрез вариране на различни техни параметри . 3D моделиране и създаване на виртуални модели. Създаване на 3D принтирани прототипи на роботите с оптимизираните параметри;
- Ще се използват аналитичен, геометричен и алгоритмичен подход за намиране на правата и обратната задача на кинематиката и определяне на работното и конфигурационното пространство на роботи. Определяне на зони от тези пространства според типа решение на обратната задача;
- Кинематичен анализ и определяне на сингулярни конфигурации ;
- Прилагане на специализирани алгоритми за управление на роботи при движение в сложна среда;
- Провеждане на е ксперименти със закупен по проекта редундантен робот и експерименти с 3D принтирани модели;
- Прилагане на статистически подходи за оценка на експерименталните изследвания;
- Интердисциплинарен подход за интегриране на информацията от различни типове сензори и параметри на робота с математически и алгоритмични методи. Необходими са познания от математиката, информатиката, механиката, електроника, сензорика и управляващи алгоритми;
- Проектиране и дизайн на роботи в симулационна среда, за ускоряване на изследването и разработването на алгоритмите, което ще позволи възпроизвеждането на еднакви начални условия за прецизиране параметрите на алгоритмите;
- Компютърна симулация за верификация на изследваните и разработените алгоритми.
Интердисциплинарност на научно изследователския проект.
Постигането на поставените цели предполага извършване на проучвания, изследвания и експерименти от областите на роботиката, теория на управлението, изкуствен интелект, аналитична механика, компютърни науки, информационни технологии и др. Участниците имат експертиза в споменатите области и работата им в екип е гаранция за постигането на целите.
Методи, апаратура и изследователски техники
1. Изследователски методи и техники
За да се потвърдят хипотезите и постигне целта ще се използват следните методи и техники, разделени по групи:
1. Определяне на критерии за способността на роботи да извършват движения в сложна среда. Вариране на геометрични параметри с цел повишаване на мобилността на робот. Метод на топологичната оптимизация на звената на робот с цел подобряване на структурните и динамичните показатели. Моделиране на роботи с адитивна технология с цел провеждане на експерименти за доказване на хипотезите. Кинематичен и кинетостатичен анализ.
2. Методи за генериране на работно и конфигурационно пространство на стационарни роботи в среда с препятствия и разделянето му на зони според типа решение.
Ще се ползват геометрични и кинематични алгоритми и подходи за намиране на решение на правата и обратната задачи в роботиката. Определяне на разстояния между робот и обекти. Най-често се използва евклидово разстояние. Само по себе си, то е разбираема мярка за разстояние, която дава добри резултати в тримерното пространство. Евклидовата система обаче не е подходяща за многомерни пространства. В такива случаи ще се ползват други методи, като например: косинусово, Манхатън или разстояние на Минковски. За откриване на колизии между обекти ще се ползват иновативни методи, като: метод на Gilbert-Johnson-Keerthi (GJK). Ще се предложи нов алгоритъм за фрагментиране на работното и конфигурационното пространство в зависимост от типа решение на обратната кинематика. Изследва се поведението на матрицата на Якоби за отделните зони на робота.
3. Адаптивни методи за прецизно изпълнение на планирана траектория в сложна среда.
Ще се използват методи и техники за самообучение на роботи за движение в среда със статични и динамични препятствия. В съвременните изследвания се разглежда методът за управление с итеративно самообучение. Той е от групата на адаптивните методи за управление и е доказан като подходящ за използване в управлението на индустриални манипулационни роботи. Сходимостта на този метод е доказана, когато се прилага при наличието на неточности в математическия модел на робот, който изпълнява многократно повторяеми предварително зададени траектории. Основната идея на управлението с итеративно самообучение (Iterative Learning Control, ILC) е да се компенсира максимално траекторната грешка при изпълнение на дадено задание. Това става, като се правят множество последователни повторения на изпълнението и между всяко от тях се подобрява програмното управление с цел да се коригира грешката на базата на събраните до момента данни. Текущата итерация на метода за самообучение ще трябва да се прекъсва преди сблъсък с препятствие в работната област. Самообучението във всяка една итерация ще се извършва само до момента на нейното прекъсване. Така, в един естествен итеративен процес на самообучение, се намират правилните входни сигнали (команди), които да доведат до желано поведение. Все още този тип управление не е достатъчно изследвано, когато трябва да се прилага в динамична сложна среда, в която роботи и хора си взаимодействат или се налага да се избягват динамични и/или статични препятствия. В този научно-изследователски проект ще се предложат условия, при които този метод може да се прилага директно и при които методът е доказано сходим.
4. Техники и методи за планиране на движения на роботи.
След като се направи по-обстоен анализ на съществуващите методи за планиране на движения в сложна среда, екипът ще се фокусира върху разработване на алгоритми, които са най-подходящи за изследваните роботи. На този етап се смята, че са подходящи следните методи:
- Методи за вземане на проби (по-подробно са представени в точка 1.2 от проекта). Те са лесни за изпълнение, склонни са да бъдат вероятностно пълни и дори могат да решават проблеми с планирането на движението на роботи с голям брой степени на свобода;
- Виртуални потенциални полета (по-подробно са представени в точка 1.2 от проекта);
- Планиране на пътя с диаграма на Вороной.
Трите метода са съвременни, приложими за роботи с повече степени на свобода и могат да се прилагат както за мобилни, така и за стационарни роботи. Два от тях са приложими и при динамични препятствия.
2. Предходни изследвания и компетентност на колектива в научната област
Членовете на научния колектив са участвали и участват в научни и изследователски проекти, свързани с: фундаментални научни изследвания и развитие на алгоритми със самообучение за взаимодействие между роботи и обекти в работната зона; изследване и моделиране на нови роботи, чрез нетрадиционни технологии и материали; изследване и развитие на иновативни, интелигентни информационни и комуникационни технологии за управление на сервизни роботи. Имат общи статии свързани с проектирането и управлението на мобилни, стационарни и сервизни роботи, и в областта на информационните технологии. Участвали са на национални и международни научни конференции. Имат множество реферирани публикации с импакт фактор.
Всички членове от колектива и ръководителят на проекта участват активно в създаването на роботизирани системи, методи и алгоритми за управление им. Примери за такива разработки може да се видят тук:
Част от екипа има вече проведени изследвания, които са свързани с формулиране на предложените хипотези.
Основание за формулиране на хипотеза 1 са начални изследвания на членове от колектива свързани с коефициента на мобилност на учебен редундантен робот представени в [16].
Основание за формулиране на хипотеза 2 са начални изследвания на колектива свързани с определяне на зони от работното пространство според типа на решение на обратната задача. Тези изследвания са публикувани в [17] и [18] и доразвити за равнинни роботи в [25] - списание с IF= 2.3. Членовете на колектива смятат, че тази идея е оригинална и в литературата не е открито такова разделение на зони на работното и конфигурационното пространство за роботи с повече от две степени на свобода. Смята се, че резултатът може да се обобщи за пространствени структури и да се приложи за по-голям клас стационарни роботи.
Основание за формулиране на хипотеза 3 са начални изследвания [19] на колектива свързани с прилагането на управление с итеративно самообучение за роботи в сложна работната среда с наличие на препятствия. В предишно изследване [20] е доказана сходимостта на методите, когато изходните сигнали (ставните координати) на роботите са ограничени. Сложната среда (подвижните и/или неподвижните препятствия в средата) може да се разглежда като допълнително ограничение върху изходните сигнали на роботите. Това води до формулирането на хипотеза 3 и до очакването итеративното самообучение да запази своята сходимост, когато се прилага за роботи в сложна среда.
Основание за формулиране на хипотеза 4 са изследвания на колектива свързани с разработване на оригинална идея на крачещ робот базиран на минималистичен принцип. Резултатите са публикувани в три статии [21], [22], [24] с импакт фактор - 1.48, 1.48 и 3.9 съответно и една глава от книга [23]. В настоящия проект ще се търсят нови конструкции на такива роботи.
3. Капацитет на базовата и партньорските организации за провеждане на предложените изследвания
ИР-БАН е национален лидер по създадени изобретения с актив повече от 140 патента за последните години в доминиращата си част трансферирани като технологии във фирми и предприятия. В областта на инженерните науки на БАН цитиранията на неговите трудове надхвърлят 15 000. Проектната активност на института включва множество договори с ЕС, ОП, ФНИ, индустриални фирми и др. с икономически ефект повече от 6 000 000 лв.
Базовата организация разполага с лаборатории по: "Безпилотни роботизирани системи", „Националната лаборатория по роботика и изкуствен интелект“ и „Роботизирани системи в енергетиката“.
Лабораториите са оборудвани със съвременна техника, която е на разположение на екипа на проекта за провеждане на изследвания. За изпълнение на дейностите по проекта се планира използването на: компютърни конфигурации; 3D принтери с различна технология за печат; крачещи роботи; 3D принтиран учебен редундантен робот; 3D принтиран мобилен робот оборудван с лидар др.
По проекта се предвижда закупуване на: (1) изследователски редундантен робот подходящ за работа, експерименти и изследвания на алгоритми за движение в сложна среда;
(2) високоскоростна компютърна конфигурация за създаване на виртуални 3D модели, симулации на движения, подготовка на детайли за 3D печат и др. Освен това с тях ще се създадат програми за тестване на новите алгоритми, с които се управляват роботите.
(3) 3D мултиматериален принтер за създаване на прототипи на проектираните роботи и усъвършенстване на съществуващите.
Анализ на състоянието на изследванията по проблема
1. Актуалност и значимост на научната проблематика
Роботиката е динамично развиващата се област на науката, технологиите и индустриите, която има съществено влияние за развитието на икономиката и благосъстоянието на хората. Масовото ѝ приложение в различни области изисква разработването на нови, специфични алгоритми, които да бъдат съобразени с разнообразната работната среда на роботите. Целта на проекта е да допринесе за изследването, създаването и експериментирането на такива алгоритми. Те са от особено значение и с приложение в: спасителни операции след бедствия и аварии; изследване на непознати терени; гражданска защита; военни цели; автономните автомобили; автоматизирани складове; управление на дронове; медицинска роботика; виртуално моделиране; създаване на анимации; компютърни игри и др.
Съвременните роботи изпълняват сложни задачи в сложна среда и вземат автономни решения. Трудно е да се предвидят всички аспекти на заобикалящата среда и движещите се елементи, както и какви промени се случват по време на изпълнение на задачите им.
В литературата няма строга дефиниция натерминасложна среда. Среди като развалини, подземни пещери, пространства с намалена видимост, с атмосфера негодна за дишане, среди, възникнали при спасителни операции и опасни за човешкия живот се считат за сложни. Именно в тази област се надяваме да допринесат изследванията на колектива. Сложната среда изисква от робота специализирани сензори и алгоритми за управление за откриване и заобикаляне на статични, динамични препятствия и избягване на сингулярни конфигурации.
Планирането на движения се дефинира като: използване на изчислителни и програмни методи за генериране на движение на робота за постигане на определена задача [1]. То играе централна роля в роботиката, тъй като входовете към планиращия алгоритъм включват състоянието на робота, условията на околната среда, динамични прогнозни модели и спецификация на задачата, а изходът е представяне на движение на ниско ниво. Накратко, планирането на движението управлява как цялото знание, достъпно за системата, влияе върху всички решения за задействане [2]. Това е мултидисциплинарна научна задача, която се развива активно през последните години. С оглед на бързо напредващата интеграция на роботизираните системи в средни индустриални предприятия се налага роботите да работят в сложна среда, в която се намират заедно с хора. По време на колаборацията между хората и роботите се налага да се следи в реално време за наличието на статични и динамични препятствия. Роботите се развиват през последните години като навлизат в различни сфери на бита : за спасителни операции , археологически изследвания , в медицината и др. Всички те се придвижват в труднодостъпни терени и среда с множество препятствия. Други съвременни приложения на алгоритмите за движение в сложна среда са свързани с области като управление на автономни автомобили, плавателни съдове и дронове. Въпреки че основно в проекта ще се занимаваме с планиране на движения на роботи, част от изследванията и алгоритмите са приложими в моделирането на поведението на тълпи, както и някои аспекти свързани с виртуални движения на анимирани герои в компютърни игри. Други възможни приложения са при 3D принтери, металорежещи машини с цифрово програмно управление и геометрични условия за монтаж и демонтаж на конструктивни елементи. Това означава, че резултатите от развитието на роботите и алгоритмите за работа в сложна среда имат много полезни приложения. Поради тези факти членовете на колектива смятат, че темата на проекта за “Изследване на роботи и алгоритми за работа в сложна среда” е актуална.
2. Състояние на изследванията по проблема
Планирането на движение е съществен компонент в навигацията на роботите. Представянето на работната средата може да е предварително известно или да се представи чрез методи за локализация и картографиране. В зависимост от вида на препятствията проблемът за планирането на пътя се класифицира в две категории: 1) Планиране на пътя в статична среда; 2) Планиране на пътя в динамична среда. При планиране на траектория в статична среда, цялата информация за околната среда е известна априори. След като пътят е планиран, преди роботът да започне да се движи, няма да има промени в определения път по време на движението на робота. В случай на планиране в динамична среда, част от околните препятствия са подвижни [1]. Когато роботът достигне дадена междинна цел, той планира пътя въз основа на наличната в момента информация [3, 4]. Докато роботът следва пътя си, той открива повече информация за препятствията и това се използва за актуализирането и. Следователно всяка от горните две категории (1 и 2) може да бъде допълнително разделена на две подкатегории въз основа на въпроса доколко „роботът знае“ цялостната информация за околната среда: Планиране на пътя на робота в ясно позната среда, където роботът вече знае картата на околната среда, преди да започне да се движи; Планиране на пътя на робота в частично известна или несигурна среда, където роботът няма познания за околната среда. Планирането на движение е проблем за преместване на звената на робота или тялото на робота от начално състояние към състояние на целта, като се избягват препятствията в околната среда и задоволяват други ограничения, като например ставни ограничения или ограничения на въртящите моменти на двигателите. Основните проблеми могат да се систематизират така [1], [2], [5]:
Важен елемент от алгоритмите за работа в среда с препятствия е измерването на разстояние между обектите и откриване на сблъсъци [1]. Предложени са редица стратегии за апроксимиране на обекти в работната среда и намиране на колизии [4], [5]. Един от най-популярните методи е алгоритъмът за разстояние Gilbert – Johnson – Keerthi (GJK). Той определя минималното разстояние между две изпъкнали множества. За разлика от много други алгоритми, той не изисква данните за геометрията да се съхраняват в специфичен формат, а вместо това разчита единствено на функция за поддръжка, за да генерира итеративно по-близки опростени до правилния отговор резултати, използвайки “разликата” на Минковски. GJK използва дистанционния суб-алгоритъм на Джонсън, който изчислява в общия случай точката от тетраедър, която е най-близо до началото на координатна система, но е известно, че страда от проблеми с числената устойчивост. През 2017 г. Монтанари, Петриник и Барбиери предлагат нов подалгоритъм, който избягва умножението на потенциално малки количества и постига ускорение на изчисленията от 15% до 30%. GJK алгоритмите често се използват в роботиката за симулационни системи и видеоигри.
Права и обратна задача в роботиката. Правата задача може да се дефинира така: Да се определят позицията и ориентацията на изпълнителното звено на робот по зададени обобщени координати (ставни ъгли) при известни геометрични параметри на робота. Правата задача обикновено дава отговор и на въпроса за взаимното разположение на звената на робота едно спрямо друго. В някои случаи правата задача се разглежда на ниво скорост, ускорение или сила. При обратната задача са известни позицията и ориентацията на изпълнителното звено, а се търси необходимата конфигурация на робота. Изследва се връзката между движенията на ставите и движенията на изпълнителното звено. За роботи с отворена структура има добре разработени алгоритми за решение на правата задача, която има еднозначно решение [6]. Докато при търсене на решение за обратната задача възникват множество проблеми: няма универсален подход за решаването и; решенията не са еднозначни; сингулярности и нелинейности усложняват проблема [6], [7] . Само при малък клас кинематично прости манипулатори има цялостни аналитични решения на обратната задача [2]. В [6] е описано аналитично решение за робот с две звена (Stanford Manipulator). В [7] се изследват популярни механизми с две и три степени на свобода с отворена верига, чиято обратна кинематика допуска аналитично решение в затворена форма. Числените алгоритми обикновено не дават всички решения, като цяло изборът на начална стойност и алгоритъмът за търсене имат голямо влияние върху сближаването и точността на решението [6].
Работно и конфигурационно пространство. Физически конфигурацията определя взаимното разположение на звената на робота едно спрямо друго. Множеството от всички възможни конфигурации на робота задават така нареченото конфигурационно пространство на робота. Конфигурационното пространство има размерност равна на броя на независимите координати, които определят взаимното положение на звената му. Този брой обикновено е равен на броя на управляемите двигатели. Освен това, независимо дали ставите на робота са транслационни или ротационни, това пространство има формата на n–мерен паралелепипед, където n е броят на двигателите на робота. Връзката между работното и конфигурационното пространство се определя от правата и обратната задача. В литературата са предложени много различни алгоритми и стратегии за планиране на път в среда с препятствия. Накратко, най-популярните методи могат да се разделят в следните групи [1], [2], [9], [10]:
Методи с пълно планиране на пътя. Пълното планиране на пътя разчита на точното представяне на свободното пространство. При тях най-често се използва граф на видимост и могат да намерят най-краткия път от стартова до целева конфигурация;
Мрежови методи. При тях конфигурационното пространство се разделя на клетки, като се отчита дали всяка клетка е свободна или попада в препятствие [1]. Тези два метода използват прости идеи, които лесно се формализират, но сложността им нараства експоненциално с нарастване на броя на степените на свобода. Тези техники са склонни да бъдат алгоритмично сложни и непрактични за по-сложни реални системи [2];
Методи с вземане на проби. Различен клас алгоритми, известни като методи за вземане на проби, разчитат на произволна или детерминирана функция за избиране на извадка точки от конфигурационното или работното пространството на робота. Двата основни класа на извадковите методи са: бързо проучване на случайни дървета (RRT - rapidly exploring random trees) и вероятностни пътни карти (PRMs - probabilistic roadmaps). Първите използват дърво за представяне и планиране с една заявка или в конфигурационното пространството, или в работното пространство, докато PRM са предимно алгоритми за конфигурационното C-пространство, които създават пътната карта за планиране на няколко заявки. Тези методи са подходящи за работа в сложни многомерни пространства. Имат недостатъци като: не намират най-краткия път; при пространство със сложни препятствия се нуждаят от много време, за да намерят път до целта и др. [2], [3].
Планиране на движения с виртуални потенциални полета. Идеята за изкуствени потенциални полета за планиране на движението на робот е въведена за първи път от О. Khatib - 1985г. и е допълнително експлоатирана от редица учени. Изкуственото потенциално поле (Artificial Potential Field) е скаларна функция, дефинирана във всяка точка на ставното пространство на робота. Обикновено градиентът на полето (който е в основата на метода) може да се изчисли бързо, така че движението може да се изчисли в реално време (реактивно управление) вместо предварително планиране. С подходящи сензори, методът може дори да се справи с препятствия, които се движат или се появяват неочаквано. Недостатъкът на основния метод е, че роботът може да се “залепи” в някой от местните минимуми на потенциалното поле, далеч от целта дори когато съществува осъществимо движение към целта [11], [12] ;
Bug алгоритми. Тези алгоритми са разработени за работа в частично или напълно непозната среда. В практиката съществуват много ситуации, при които роботът има само малка част от информацията за заобикалящия го свят. Състоянието на околната среда не е известно. Единствената налична информация, за да се направят изводи, е историята на сензорните наблюдения, приложените действия и началните условия. Тази история определя моментно информационно състояние. Обикновено се прилагат при мобилни роботи [13 ] .
Алгоритми за управление на движението на роботи. Изпълнението на предварително зададена траектория от крайното устройство е изключително важно за работата на роботи. То задължително трябва да е прецизно, плавно и в рамките на зададена времева продължителност. Управлението на роботите най-често се базира на няколко основни типа управления. Пропорционално-интегрално-диференциално (PID) управление е едно от най-разпространените управления. При него не се вземат в явен вид динамичните или които и да било други характеристики на управляваната система. Програмно траекторно управление (feedforward control) за предварително зададена и реализуема траектория в работната зона на робота се изчисляват необходимите моменти/сили за изпълнението на движението по нея. Това става чрез модела на динамиката и решаването на обратната задача на динамиката. Това управление е неприложимо в реални условия без допълнителна компонента с обратна връзка, защото в противен случай не могат да се компенсират възникващите грешки. Друг тип управления са адаптивните управления, които чрез адаптация намират параметрите на управлението на реалния робот, при които се минимизира позиционната/траекторната/ грешка. Съвременните изследвания предлагат управлението с итеративно самообучение като най-доброто решение, когато се налага да се управлява индустриален манипулационен робот, за който има неточности в математическия модел и който ще изпълнява многократно повторяеми задачи, предварително зададени траектории. [14, 15]. От направения кратък преглед на състоянието на изследваната тема може да се направят следните изводи:
3. Насоченост на изследванията в съответствие с целите на Националната стратегия за научни изследвания и с обществени предизвикателства, определени в нея, както и с регионални и европейски приоритети
3.1. Национална стратегия за развитие на научните изследвания в Република България 2017 – 2030г. и Иновационна стратегия за интелигентна специализация на Република България (ИСИС)
Темата, целите и задачите на проектното предложение съответстват на направленията, посочени в Националната стратегия за развитие на научните изследвания в Република България 2017-2030 и ИСИС в приоритетните области: Мехатроника и чисти технологии; Информационни и Комуникационни Технологии; Роботика и автоматизация на процеси; 3-D моделиране и Интелигентни системи и уреди.
В съответствие с основната цел на стратегията проектът ще допринесе за бързото и дългосрочно развитие и модернизиране на научните изследвания в България и за развитието на новите технологии. По конкретно: (1) Планираните дейности по проекта отговарят на високите международни изисквания за научни изследвания, което ще осигури среда за кариерно развитие на участващите утвърдени и млади учени (специфична цел 1); (2) Планира се закупуване на високотехнологични роботи и софтуер, които ще допълнят съществуващите в участващите организации лаборатории и ще осигурят достъп на учените до модерна научна инфраструктура (специфична цел 4); (3) Предвидени са поне 12 публикации в престижни реферирани издания в областта на роботиката, включително с импакт фактор. Те ще допринесат за подобряване на международните позиции и видимостта на научната продукция на България (специфична цел 5); (4) Част от екипа на проектното предложение са преподаватели във ВУЗ и имат предишни връзка с бизнеса от съвместни проекти, което е гаранция, че резултатите от дейностите на проекта ще бъдат разпространени в образованието и бизнеса (специфична цел 10).
3.2. Концепция за развитието на изкуствения интелект (ИИ) в България до 2030 г.
В съответствие с целите на Концепцията планираните дейности в проектопредложението ще допринесат за: (1) Осигуряване на модерна научна инфраструктура за развитие и внедряване на ИИ и цифрови технологии от ново поколение (цел 1); (2) Укрепване и развитие на капацитета за научни изследвания и технологичен трансфер в областта на ИИ и свързаните с него технологии; (3) Повишаване качеството на научните изследвания в областта на роботиката, включително чрез увеличаването на броя на научните публикации; (4) Използване капацитета на Центровете за върхови постижения и Центровете за компетентност по Оперативна програма „Наука и образование за интелигентен растеж“. Базовата организация е част от колектива на Проект № BG05M2OP001-1.002-0023 - Център за компетентност "Интелигентни мехатронни, eко- и енергоспестяващи системи и технологии". Проектът ще използва капацитета му и ще доразвива дейностите му в рамките на проекта.
3.3. Програма Хоризонт Европа – Високачествените научни изследвания, иновациите и укрепването на научната и технологичната база заложени в проекта са в съответствие с целите на програма Хоризонт Европа. Потенциалните приложения на резултатите са свързани с дигиталния преход, устойчивото развитие, образованието и стимулират конкурентоспособността, растежа и подобряване на благосъстоянието на населението.
3.4. Програма „Наука и образование за интелигентен растеж“.
Мехатрониката и роботиката са първи и основен приоритет в редица програми на Европейския съюз, като „Наука и образование за интелигентен растеж“.
Литература