INDUSTRIA 4.0, Sviluppo Territoriale Umbro Obievi e...

16
Slide 1 INDUSTRIA 4.0, Sviluppo Territoriale Umbro Obie;vi e Opportunità Interazioni con le imprese del territorio Prof. Paolo Valigi Dipartimento di Ingegneria Università degli Studi di Perugia Marsciano – 15.09.2017 UniPG & IRIS Intelligent Systems, Automation and Robotics Laboratory

Transcript of INDUSTRIA 4.0, Sviluppo Territoriale Umbro Obievi e...

Slide 1

INDUSTRIA4.0,SviluppoTerritoriale

UmbroObie;vieOpportunitàInterazioni con le imprese del

territorio

Prof. Paolo Valigi

Dipartimento di Ingegneria

Università degli Studi di Perugia

Marsciano – 15.09.2017 UniPG & IRIS

Intelligent Systems, Automation and Robotics

Laboratory

Slide 2

Industry4.0ParadigmIndustry4.0paradigmisrelatedtotheconceptofsmartfactory:

•  Interoperabilitybetweenservices,machinesandpeopleanddecentraliza>onofdecision(InternetofThings/Peole(IoT/P)).

•  Assistancesystemstosupporthumansbyaggrega=ngandvisualizinginforma=oncomprehensiblyformakingfastandinformeddecisions.Cyberphysicalsystemstophysicallysupporthumansbyconduc>ngarangeoftasksthatareunpleasant,tooexhaus>ng,orunsafe.

•  Cyberphysicalsystemstomakedecisionsontheirownandtoperformtheirtasksasautonomouslyaspossible.

Marsciano – 15.09.2017 UniPG & IRIS

Slide 3

Tematiche in forte espansione

"Theinternetofthings(IoT)isthenetworkofphysicaldevices,vehicles,buildingsandotheritems-embeddedwithelectronics,so?ware,sensors,actuators,andnetworkconnec@vitythatenabletheseobjectstocollectandexchangedata."[Wikipedia]

"Bigdataisatermfordatasetsthataresolargeorcomplexthattradi@onaldataprocessingapplica@onsareinadequate.Challengesincludeanalysis,capture,datacura@on,search,sharing,storage,transfer,visualiza@on,querying,upda@ngandinforma@onprivacy."[Wikipedia]

http://orienta.ing.unipg.it/gallery/video.html

L’offertadidaNcadell’areaInforma>caedElePronica

Marsciano – 15.09.2017 UniPG & IRIS

Slide 4

Ingegneria Informatica ed Elettronica

Laurea Triennale (180 CFU)

Ingegneria Informatica e Robotica

Ingegneria Elettronica per "Internet of Things"

Lauree Magistrali (120 CFU)

Elettronica x IoT

Elettronica x Aerospazio

Data Science

Rob. Avanzata

L’offertadidaNcadell’areaInforma>caedElePronica

Marsciano – 15.09.2017 UniPG & IRIS

Slide 5

Esperienzedicollaborazioneconaziende

Marsciano – 15.09.2017 ISARLAb@UniPG

•  Visualinspec>on•  Headposees>ma>on•  DataMining•  Faultdetec>on•  Vehiclelocaliza>on,visionbasedDinorma,strumentodellaconvenzione

Intelligent Systems, Automation and

Robotics Laboratory

Slide 6

Schemagenerale

Marsciano – 15.09.2017 ISARLAb@UniPG

•  Aggregazionedigrandiquan>tàdida>(DataScience,MachineLearning)

•  ModelliprediNvi

•  Processidecisionaliautonomi

Slide 7

Esperienze:visualinspec>onStrumen>diComputerVisioneMachineLearningperelaborareda>dafon>(sensori)eterogenee(Laser,Lidar,Cameras,etc…)Applicazioni:•  monitoraggiodifeNsuperficialiinlamina>diacciaio,inlinea•  monitoraggiodifeNsuperficialiinprodoNalimentari

Marsciano – 15.09.2017 UniPG & IRIS

Slide 8

Esperienze:s>maeinseguimentodellaposadivol>

S>mareeinseguire,basandosisuda>divisione,ladirezionedivistadiunapersona.

Applicazioni:•  interazioneuomo-macchina•  applicazionicommerciale(vetrine,musei,…)

Marsciano – 15.09.2017 UniPG & IRIS

Slide 9

Esperienze:dataminingRilevare struPuredi alto livelloe/onascosteanalizzandoda>dasorgen>nostruPurateedeterogenee

Driverbehaviormodelling

Dataminingforagriculture

Marsciano – 15.09.2017 UniPG & IRIS

Slide 10

Rilevazione di ostacoli

Algoritmidicomputervisionsviluppa>daISARLABrilevanoinmodoveloceeaffidabilegliostacoli,edidoneialgoritmidicontrolloenavigazioneconsentonodievitarli,intemporeale.Siastereosiamono

Marsciano – 15.09.2017 UniPG & IRIS

Slide 11

Aircra_ SensorFaultDetec>onIsola>onandAccomoda>on(SFDIA)

Collaborazione con West Virginia University

Esempio di machine learning applicato alla diagnosi dei guasti

Marsciano – 15.09.2017 UniPG & IRIS

Slide 12

Robotics, Computer Vision and Machine Learning

•  Robotaerei(droni),diterra(AGV,driver-lesscar)eacqua(Galileo)

•  PianificazioneedEsecuzioneautonomadellemissioni

•  Modellazione/comprensionedell’Ambiente

•  Ricostruzionedellescene

Marsciano – 15.09.2017 UniPG & IRIS

Slide 13

Riconoscimento e tracciamento di oggetti

I rilevatori di oggetti basati su reti neurali profonde (Deep Neural Networks) funzionano bene anche con condizioni ambientali mutevoli. Le funzioni di rilevamento e tracciamento sono fondamentali per sistemi a guida autonoma (evitare ostacoli, aggirarli, scavalcarli, fermare il mezzo, …).

Marsciano – 15.09.2017 UniPG & IRIS

Slide 14

Convolu>onalNeuralNetworksforEgo-mo>onEs>ma>on

[RAL ‘15, Costante et al.] Gabriele Costante, Michele Mancini, Paolo Valigi, Thomas A Ciarfuglia "Exploring representation learning with cnns for frame-to-frame ego-motion estimation " IEEE Robotics and Automation Letters (2016), Finalist for the Best Vision Paper award at the International Conference on Robotics and Automation, 2017.

Marsciano – 15.09.2017 UniPG & IRIS

Slide 15

Team

Prof.PaoloValigiFullProfessor

HeadofSIRALab

Prof.MarioLucaFravolini

AssociatedProfessor Dr.ElisaRicci

SeniorResearcher Dr.FortunatoBianconi

SeniorResearcher Dr.ThomasCiarfuglia

Post-DocResearcher

Dr.GabrieleCostante Post-DocResearcher

Dr.LorenzoPorzi PhDStudent

Dr.MicheleMancini ResearchAssistant Dr.FrancescoCroceN

ResearchAssistant

Dr.AntonioFicola SeniorResearcher

Dr.SilviaCascianelli PhDStudent

Dr.EnricoBellocchio ResearchAssistant

Marsciano – 15.09.2017 UniPG & IRIS

Slide 16

Contacts

Website:isarlab.unipg.itProf.PaoloValigi:•  Email:[email protected]•  Phone:+39-075-585-3684

Marsciano – 15.09.2017 UniPG & IRIS