A Mesterséges Intelligencia Tanszék a Bosch Csoporttal együttműködésben jött létre, mint Magyarország első ipari mesterséges intelligencia tanszéke. Célunk a kutatás, az innováció és az oktatás integrálása, egy modern kutatási bázis és tudásközpont létrehozása. A tanszék szakmai gyakorlatokat, ösztöndíjakat és doktori programokat kínál az önvezető járművek, ipari automatizálás, gépi látás, az emberi agyműködés modellezését célzó neurális hálózatok, evolúciós technológia, fuzzy rendszerek és a számítástechnikai intelligencia területén. A Bosch és az ELTE együttműködik a 4-es és 5-ös szintű önvezető rendszerek fejlesztésében, amelyek lehetővé teszik, hogy a gépi intelligencia biztonságosan irányítsa a járműveket emberi felügyelet és beavatkozás nélkül. Kutatásaink kiterjednek a kognitív robotikára és az ember-robot interakciókra, különösen az érzelemfelismerés, a gesztusfelismerés, a robotmozgás és a kobotok (együttműködő robotok) területén. A kutatócsoport további tagjai terepi robotok és autonóm pilóta nélküli repülő eszközök (UAV-ok), drónok funkcióinak fejlesztésén dolgoznak, különféle környezetekben történő szenzorfúzió integrálásával. Együttműködnek az ELTE Természettudományi Karával a madarak kollektív, termikus légáramlásokban történő szárnyalási viselkedésének modellezésében, hogy valósághű szimulációkat hozzanak létre a mesterséges intelligencia (MI) tréninghez, javítsák az UAV-ok hatékonyságát és csökkentsék a működési költségeket. A szociális jelek – passzív és aktív – felhasználásával célunk a hatékonyabb kollektív repülés megvalósítása. Meteorológiai Tanszékkel való együttműködésünk során érzékelőket integrálunk drónokba és UAV-okba (pilóta nélküli repülő eszközök), hogy fokozzuk teljesítményüket dinamikus környezeti feltételek mellett.

• Mesterséges Intelligencia: természetes nyelvfeldolgozás, magyarázható AI. 

• Gépi tanulás: machine unlearning, graph neural networks. 

• Terepi robotika

• Intelligens ipari rendszerek: intelligens rendszerek ipari alkalmazásai, intelligens robotika, gépi látás alkalmazásai az iparban, tervezés.

Evolutionary computation; fuzzy rendszerek; mélytanulás; spiking neurális hálózatok; memetikus algoritmusok; rajintelligencia; ember–robot interakció; ember–robot együttműködés; átvitel-alapú tanulás (transfer learning), Sim2Real (szimulációból a valós környezetbe való átvitelt jelentő gépi tanulás); terepi robotok; szenzorfúzió.

• Botzheim János, docens (MTMT, Tud-O-Méter)
• Gulyás László, docens (MTMT, Tud-O-Méter)
• Istenes Zoltán, docens (MTMT, Tud-O-Méter)
• Somfai Ellák, adjunktus (MTMT, Tud-O-Méter)
• Nagy Balázs, adjunktus (MTMT, Tud-O-Méter)
• 18 Ph.D. diák

Bosch projektek: Automata kicsomagoló állomás; Gyártási folyamat optimalizálás; Anomália detektálás; Járművezetői fáradság/álmosság felismerése; MI Nemzeti Laboratórium [Nemzeti pályázat, 2019-2025] – Emberi viselkedés elemzése; APOLLO 2028 [EU pályázat, 4 év] – Orvostudomány; AI EDIH [EU és nemzeti pályázat, 4 év] – Tudástranszfer kis- és középvállalkozások (KKV-k) felé; EMOTIONAL AI For EU [EU pályázat, 3 év] – Oktatás (digitális készségek); TINLAB – Nemzeti Társadalmi Innovációs Laboratórium (a Bárczi Gusztáv Gyógypedagógiai Karral együttműködésben) – Digitális pszichodiagnosztika; „Komplex meteorológiai támogató rendszer fejlesztése pilóta nélküli légi járművekhez (UAV – Unmanned Aerial Vehicle).” TÁMOP-4.2.1.B-11/2/KMR-2011-0001 UAV_MET; Intelligent Field Robotic Systems (IFRoS) Erasmus Mundus közös mesterképzés, az Európai Unió társfinanszírozásával.

• L. Gulyás et al. (2024): On the power of graph neural networks and feature augmentation strategies to classify social networks, In Proc. 16th Asian Conf. on Intelligent Information and Database Systems [DOI]
• J. Mei, L. Gulyás, J. Botzheim (2023): Comparing Lamarckian and Baldwinian approaches in memetic optimization, In Proc. 15th Int’l Conf. on Computational Collective Intelligence [DOI]
• M. Domonkos, Á. Tresó, J. Botzheim (2023): Online surveying system for experimentally testing the human perception of visual gestures, 9th Int’l Conf. on Automation, Robotics and Applications [DOI]
• A. Lonklang, J. Botzheim (2023): A rapidly-exploring random tree algorithm with reduced random map size, 9th Int’l Conf. on Automation, Robotics and Applications, New York University Abu Dhabi [DOI]
• N. M. Gyöngyössy, G. Eros , J. Botzheim (2022): Exploring the effects of Caputo fractional derivative in spiking neural network training, ELECTRONICS [DOI]
• D. Horváth, J. B. Martín, F. G. Erdos, Z. Istenes, F. Moutarde (2024): HiER: Highlight experience replay for boosting off-policy reinforcement learning agents, IEEE ACCESS [DOI]
• D. Horváth, G. Erdős, Z. Istenes, T. Horváth, S. Földi (2023): Object detection using Sim2Real domain randomization for robotic applications, IEEE TRANSACTIONS ON ROBOTICS [DOI]