Industria 4.0. Aplicación real de nuevas tecnologías en Standard Profil

PonenteJosé María Rodríguez Maimón San Martín (Standard Profil Spain, Universidad de La Rioja).

Lugar: Salón de Actos (Edificio CCT), o a través de Blackboard (https://bit.ly/salaDMC)

Hora: martes 18 de enero de 2022, 11:00

Resumen: En esta charla presentaremos conceptos propios de la Industria 4.0, partiendo desde algunas de las habilidades digitales necesarias para llegar a presentar la situación actual en el grupo Standard Profil. Entre los temas más relevantes se destacará la hibridación de sistemas físicos y digitales, así como la aplicación de técnicas de Big Data aplicado al control de producción, desde la propia captura de datos hasta la explotación de los mismos.  En particular, también se demostrará el uso de sistemas Scada en producción para labores de mantenimiento de planta, producción en continuo, análisis de parámetros de producción o herramientas de scáner 2D.

Nuevo módulo de Kenzo para el cálculo de sistemas espectrales de fibraciones simpliciales

PonentesDaniel Miguel Treviño (Universidad de La Rioja)

Lugar: Salón de Actos (Edificio CCT), o a través de Blackboard (https://bit.ly/salaDMC)

Hora: miércoles 12 de enero, 9:15

Resumen: En este trabajo presentamos un nuevo módulo del sistema de álgebra computacional Kenzo dedicado al cálculo de nuevos sistemas espectrales. Dado un conjunto simplicial, podemos considerar las construcciones de sus espacios de lazos y clasificante, junto con las fibraciones universales asociadas. A partir de cada una de ellas, combinándolas con la fibración inicial, construimos dos sistemas espectrales que relacionan sucesiones espectrales de Serre y de Eilenberg–Moore. Para definir los sistemas espectrales, utilizamos filtraciones generalizadas sobre downsets en $\mathbb{Z}^2$. Dichas filtraciones se definen en ciertos complejos de tipo Bar y Cobar, que son los que originan las sucesiones espectrales de Eilenberg–Moore. La implementación abarca complejos de cadenas de tipo infinito, mediante la técnica de homología efectiva.

Generación de Datos de entrenamiento a partir de imágenes sintéticas para algoritmos de esquivación de objetos basados en Machine Learning

Ponentes: David Villota Miranda, Javier Rico Azagra, Montserrat Gil Martínez (Grupo de Investigación en Ingeniería de Control. Universidad de La Rioja)

Lugar: Salón de Actos (Edificio CCT), o a través de Blackboard (https://bit.ly/salaDMC)

Hora: martes 11 de enero, 11:00

Resumen: El aprendizaje automático (machine learning) es capaz de dotar a los vehículos autónomos de cierta inteligencia para sus funciones de navegación. Una de las principales funciones que un UAV (vehículo aéreo no tripulado) debe ser capaz de solventar es la evasión de objetos, en la cual se centrará este trabajo.

Para el adecuado entrenamiento de cualquier red neuronal, se precisa gran cantidad de información. En este caso, imágenes de paisajes diversos que han de ser capturadas desde el vehículo en movimiento. Entonces, con el fin de salvaguardar la integridad del dron, los entornos virtuales utilizados en videojuegos serán de gran ayuda para generar imágenes sintéticas. Esto permitirá obtener secuencias de imágenes también en ambientes en los que sería impensable volar un dron como, por ejemplo, la superficie lunar o cualquier lugar desconocido e inaccesible a día de hoy. En particular, se ha utilizado el motor gráfico Unreal Engine, en combinación con el “Plugin” Airsim, que embebe el movimiento del dron dentro del paisaje virtual y permite configurar el formato de adquisición de imágenes.

Para generar los datos de entrenamiento de la red neuronal, se parte de las imágenes anteriores cuyos píxeles codificarán la profundidad y, por tanto, se obtendrá un indicador de la probabilidad de colisión. De esta manera se dará solución a uno de los principales problemas en algoritmos de machine learning conocido como «transfer learning». En muchas aplicaciones, las redes neuronales aprenden características muy concretas de los elementos como texturas, colores, composiciones, que posteriormente merman la versatilidad de la red neuronal. En este caso, la imagen se codifica en escala de grises con el fin de que la red neuronal aprenda a diferenciar las geometrías que vayan apareciendo, e insensibilizando su respuesta ante colores o texturas.

Con el fin de automatizar la generación del «ground-truth» se han desarrollado tres algoritmos de segmentación, que generan como salida el punto (coordenadas X-Y) óptimo o de menor probabilidad de colisión. Los tres algoritmos (Centro de masas, Regresión, Sectorización) utilizan fórmulas físicas y estadísticas como la fórmula de centro de masas, o cálculo de líneas de regresión utilizadas para la identificación de la posición y dirección de los píxeles de colisión. Finalmente se compararán los resultados de cada ellos en una red neuronal ResNet-8 que como salida arroje un punto objetivo dentro del área visualizada desde el UAV donde se estime la menor probabilidad de colisión.