Zespół Biometrii i Uczenia Maszynowego
Najbliższe seminarium
Kolejne seminaria Zespołu Biometrii i Uczenia Maszynowego odbędą się w semestrze 2022Z.
Wiadomości
Wrzesień 2022: Michał Hałoń wraz z drużyną SKA Robotics zdobył nagrodę w konkursie "Bonus Competition Task – path optimization for a rover" podczas ósmej edycji zawodów robotów mobilnych European Rover Challenge. Zadaniem konkursowym była optymalizacja trasy łazika na powierzchni planetoidy Vesta z wykorzystaniem oprogramowania MATLAB&Simulink. Gratulujemy!
Listopad 2021: Wykorzystanie metod Deep Learningu do rozpoznawania markerów realizowane przez Michała Hałonia zostało opisane na blogu MathWorks Student Lounge
Lipiec 2021: Czasopismo recenzowane: Ewelina Bartuzi, Mateusz Trokielewicz "Multispectral hand features for secure biometric authentication systems", Concurrency Computat Pract Exper. 2021, DOI: 10.1002/cpe.6471 (Wiley Online Library)
Wrzesień 2020: Czasopismo recenzowane: Mateusz Trokielewicz, Adam Czajka, Piotr Maciejewicz "Post‐mortem Iris Decomposition and its Dynamics in Morgue Conditions", Journal of Forensic Sciences (Volume 65: 1530-1538, Issue 5, September 2020), DOI: 10.1111/1556-4029.14488 (Wiley Online Library)
Wrzesień 2020: Michał Hałoń wraz z drużyną SKA Robotics zdobył nagrodę specjalną 'Special Prize MathWorks' za najlepsze zastosowanie Toolboxów firmy MathWorks podczas szóstej edycji zawodów robotów mobilnych European Rover Challenge (wykorzystanie metod deep learningu do rozpoznawania markerów). Gratulujemy!
Sierpień 2020: Michał Hałoń został laureatem konkursu MathWorks "Make IT ROS!", w którym uczestnicy konkursu mieli za zadanie wykazać się wiedzą dotyczącą oprogramowania ROS (Robot Operating System) oraz zaproponować wykorzystanie tej platformy w projekcie studenckim. Gratulujemy!
Lipiec 2020: Czasopismo recenzowane: Aidan Boyd, Shivangi Yadav, Thomas Swearingen, Andrey Kuehlkamp, Mateusz Trokielewicz, Eric Benjamin, Piotr Maciejewicz, Dennis Chute, Arun Ross, Patrick Flynn, Kevin Bowyer, Adam Czajka "Post-Mortem Iris Recognition—A Survey and Assessment of the State of the Art" (IEEEXplore)
20 lutego 2020: Podczas pierwszego zimowego warsztatu EAB organizowanego przez Instytut Badawczy Idiap i Europejskie Stowarzyszenie Biometrii EAB
Mateusz Trokielewicz (z ramienia NASK) wygłosił prezentację „Scientific presentation "Detecting cadaver iris presentations". Gratulujemy!
english version
Learning mechanisms with geographical localization of knowledge for adaptive routing control in mobile ad-hoc networks
Autor: Michał Kudelski
["Algorytm mrówkowy z rozproszoną geograficzną lokalizacją wiedzy w zastosowaniu do adaptacyjnego sterowania rutingiem w sieciach ad-hoc"]
Promotor: A.Pacut
W pracy zaproponowano innowacyjną koncepcję organizacji wiedzy pozyskiwanej w trakcie procesu uczenia przez agentów rutingu. Rozproszona geograficzna lokalizacja wiedzy (GLW) została wykorzystana do adaptacyjnego sterowania rutingiem w typowych sieciach ad-hoc oraz w sieciach komunikujących się ze sobą robotów mobilnych.
Wiedza gromadzona przez agentów rutingu w trakcie trwania procesu uczenia jest logicznie powiązana z lokalizacjami geograficznymi celem dopasowania reprezentacji oraz organizacji wiedzy do pewnych właściwości przestrzennych sieci ad-hoc wynikających z zastosowania komunikacji radiowej. Węzły sieci ad-hoc, przemieszczając się pomiędzy poszczególnymi lokalizacjami w sieci, powinny wymieniać między sobą informację w taki sposób, aby zachować jej logiczne powiązanie z tymi lokalizacjami. Koncepcja GLW jest spójna z inspirowaną biologicznie koncepcją algorytmów mrówkowych, gdzie nośnikiem informacji jest substancja feromonowa, która z założenia powiązana jest z lokalizacją w przestrzeni. Zastosowanie koncepcji GLW może poprawić działanie mechanizmu uczenia, a tym samym poprawić jakość sterowania rutingiem i zwiększyć obszar zastosowania algorytmów wykorzystujących proces uczenia w mobilnych sieciach telekomunikacyjnych typu ad-hoc.
Znane są z publikacji wyniki badań nad zastosowaniem mechanizmów uczenia w sieciach ad-hoc. Mechanizmy takie jak uczenie ze wzmocnieniem, algorytmy mrówkowe, automaty uczące, uczenie z nadzorem czy systemy immunologiczne z powodzeniem stosowane były do rozwiązywania problemów sieci ad-hoc takich jak ruting, zapewnianie jakości usług (QoS), szacowanie wiarygodności węzłów czy sterowanie mobilnością węzłów. W żadnej ze znanych prac nie zaproponowano jednak mechanizmu uczenia z rozproszoną geograficzną lokalizacją wiedzy.
Wiedza gromadzona przez agentów rutingu w trakcie trwania procesu uczenia jest logicznie powiązana z lokalizacjami geograficznymi celem dopasowania reprezentacji oraz organizacji wiedzy do pewnych właściwości przestrzennych sieci ad-hoc wynikających z zastosowania komunikacji radiowej. Węzły sieci ad-hoc, przemieszczając się pomiędzy poszczególnymi lokalizacjami w sieci, powinny wymieniać między sobą informację w taki sposób, aby zachować jej logiczne powiązanie z tymi lokalizacjami. Koncepcja GLW jest spójna z inspirowaną biologicznie koncepcją algorytmów mrówkowych, gdzie nośnikiem informacji jest substancja feromonowa, która z założenia powiązana jest z lokalizacją w przestrzeni. Zastosowanie koncepcji GLW może poprawić działanie mechanizmu uczenia, a tym samym poprawić jakość sterowania rutingiem i zwiększyć obszar zastosowania algorytmów wykorzystujących proces uczenia w mobilnych sieciach telekomunikacyjnych typu ad-hoc.
Znane są z publikacji wyniki badań nad zastosowaniem mechanizmów uczenia w sieciach ad-hoc. Mechanizmy takie jak uczenie ze wzmocnieniem, algorytmy mrówkowe, automaty uczące, uczenie z nadzorem czy systemy immunologiczne z powodzeniem stosowane były do rozwiązywania problemów sieci ad-hoc takich jak ruting, zapewnianie jakości usług (QoS), szacowanie wiarygodności węzłów czy sterowanie mobilnością węzłów. W żadnej ze znanych prac nie zaproponowano jednak mechanizmu uczenia z rozproszoną geograficzną lokalizacją wiedzy.
Rysunek 1. Zwiększenie zdolności adaptacyjnych mrówkowego algorytmu rutingu w scenariuszu ?skok jednostkowy obciążenia sieci?. Opóźnienie transmisji pakietów (góra), liczba generowanych w sieci i poprawnie dostarczanych bajtów dla algorytmów AntHocGeo (środek) i AntHocNet (dół). Wszystkie wartości uśrednione w oknie czasowym. Środowisko robotów mobilnych.
Ustalenie wpływu, jaki wywierają reprezentacja oraz organizacja wiedzy na mechanizmy uczenia, jest istotne ze względu na poprawę jakości komunikacji oferowaną przez mechanizmy uczenia. Wpływ ten zostanie analizowany na podstawie badań porównujących jakość komunikacji oferowanej przez mrówkowy algorytm sterowania rutingiem bez GLW z jakością algorytmu mrówkowego wykorzystującego GLW. Wyniki zostaną także odniesione do powszechnie uznawanych mechanizmów rutingu dla sieci ad-hoc niewykorzystujących algorytmów uczenia. Do badań wykorzystany zostanie symulator sieci komputerowych ns2, rozbudowany o dodatkowe moduły umożliwiające zrealizowanie założonych scenariuszy komunikacji. Badania przeprowadzone zostaną w dwóch podstawowych środowiskach: w typowej sieci ad-hoc zbudowanej z węzłów poruszających się po płaskim terenie otwartym oraz w sieci ad-hoc robotów mobilnych poruszających się po pomieszczeniach zamkniętych.
Rysunek 2. Obszary największych korzyści z zastosowania GLW
Wynikiem badań będzie przedstawienie kompleksowego rozwiązania do sterowania rutingiem w sieciach ad-hoc w postaci algorytmu mrówkowego z rozproszoną geograficzną lokalizacją wiedzy (AntHocGeo), a także prezentacja wyników analizy wpływu GLW na proces uczenia oraz na ostateczną jakość komunikacji w rozważanych scenariuszach sieci ad-hoc.
Kontakt
Instytut Automatyki i Informatyki Stosowanej
Zakład Sterowania Systemów
Zespół Biometrii i Uczenia Maszynowego
ul. Nowowiejska 15/19
00-665 Warszawa
