Számítási intelligencia és kognitív robotika kutatócsoport

Csoportunk az intelligens gépi viselkedés előállításának egyik módját az inspirációból meríti a természetből és a biológiából. Ezt a megközelítést számítási intelligenciának (computational intelligence) nevezzük. Számos módszert és technikát foglal magában, például mesterséges neurális hálózatokat, evolúciós technológiákat (pl. genetikus algoritmusokat), fuzzy rendszereket és rajintelligenciát (swarm intelligence).

Kutatásaink különösen a számítási intelligenciára összpontosítanak. Úgy véljük, hogy tanulnunk kell a természetben található „intelligens módszerektől”. Kollégáink széles körű tapasztalattal rendelkeznek ezen a területen.

Ahogy a robotika fejlődik, egyre inkább jelen van mindennapi életünkben. Ezért egyre fontosabb, hogy a robotok tervezésénél figyelembe vegyük az emberi interakciót, hiszen a társas robotika mellett az ipari robotikában is nő a kollaboratív robotok szerepe, ahol a robotok már nem igényelnek fizikai elkülönítést, így a közös munka egyre gyakoribbá válik.

▶ Számítási intelligencia (Computational Intelligence)

Fuzzy rendszerek, neurális hálózatok, evolúciós technológiák, rajintelligencia alapú rendszerek.

Kapcsolódó publikációk:
 ☞ Interactive Bacterial Evolutionary Algorithm for Work Pace Optimization of Cobots

▶ Gépi tanulás (Machine Learning)

▶ Kognitív robotika (Cognitive Robotics)

Megtestesült megismerés (embodied cognition), adaptív viselkedés, szenzomotoros integráció, megtestesült mesterséges intelligencia (embodied AI), mozgáspálya-tervezés.

▶ Ember-robot interakciók és kollaboráció

Robot viselkedés tanulás, ember-robot kommunikáció, robot-ember kommunikáció, bizalom kalibráció.

Kapcsolódó publikációk:
 ☞ Emotional empathy model for robot partners using recurrent spiking neural network model with Hebbian-LMS learning
 ☞ Informationally structured space for multimodal monitoring in smart houses
 ☞ Walking speed control in human behavior inspired gait generation system for biped robot

Módszertan

Kutatócsoportunk a következő módszereket alkalmazza: evolúciós számítás (genetikus algoritmusok, memetikus algoritmusok), fuzzy rendszerek, csúcsjelű (spiking) neurális hálózatok, rajintelligencia, valamint ember-robot interakció és ember-robot kollaboráció vizsgálata. Ezen módszerek célja a robotok és intelligens rendszerek fejlesztése, különös tekintettel az emberi környezettel való együttműködésre.

• Botzheim János, docens (kutatócsoport-vezető, MTMT, Tud-O-Méter)
• Domonkos Márk, PhD hallgató
• Gyöngyössy Natabara, PhD hallgató
• Reményi István, PhD hallgató
• Kovács Szilárd, PhD hallgató
• Fecht Szilárd, PhD hallgató
• Lonklang Aphilak, PhD hallgató
• Holló-Szabó Ákos, PhD hallgató
• Lukács Hunor, PhD hallgató

• Anomaly detection (Bosch)
• Drowsiness detection (Bosch)
• Human-robot collaboration (Bosch)
• Production line optimization (Bosch)
• National Laboratory for Social Innovation

• Bencsik, B., Reményi, I., Szemenyei, M. és Botzheim, J. (2023): Designing an Embedded Feature Selection Algorithm for a Drowsiness Detector Model Based on Electroencephalogram Data, SENSORS, 23(4), pp. 1874:1–1874:22. [DOI]
• Domonkos, M., Tresó, Á. és Botzheim, J. (2023): Online Surveying System for Experimentally Testing the Human Perception of Visual Gestures, 2023 9th International Conference on Automation, Robotics and Applications (ICARA), New York University Abu Dhabi, február 10-12, pp. 329–333. [DOI]
• Lonklang, A. és Botzheim, J. (2023): A Rapidly-Exploring Random Tree Algorithm with Reduced Random Map Size, 2023 9th International Conference on Automation, Robotics and Applications (ICARA), New York University Abu Dhabi, február 10-12, pp. 356–361. [DOI]
• Kovács, Sz., Bolemányi, B. és Botzheim, J. (2022): Placement of Optical Sensors in 3D Terrain Using a Bacterial Evolutionary Algorithm, SENSORS, 22(3), pp. 1161:1–1161:22.  [DOI]
• Mohai, K., Kálózi-Szabó, Cs., Jakab, Z., Fecht, Sz. D., Domonkos, M. és Botzheim, J. (2022): Development of an Adaptive Computer-Aided Soft Sensor Diagnosis System for Assessment of Executive Functions, SENSORS, 22(15), pp. 5880:1–5880:15. [DOI]
• Gyöngyössy, N. M., Eros, G. és Botzheim, J. (2022): Exploring the Effects of Caputo Fractional Derivative in Spiking Neural Network Training, ELECTRONICS, 11(14), pp. 2114:1–2114:20. [DOI]

Kutatócsoport-vezető: Botzheim János
Tanszéki munkatársak: https://mi.inf.elte.hu/munkatarsak

Infrastructure

Turtlebot3 Waffel, Turtlebot3 Burger https://emanual.robotis.com/docs/en/platform/turtlebot3/features/#specifications

Bioloid Premium https://emanual.robotis.com/docs/en/edu/bioloid/premium/

Kassow KR1410 Collaborative Robot Arm (Robert Bosch Ltd.) https://www.kassowrobots.com/products/7-axis-collaborative-robot-arm-kr-series