Viktor Rjabtšikov

Kaasaegse tööstuse väljakutseks on leida parimad viisid inimese-roboti koostoimeks töökohtadel, et robotid suudaksid realiseerida tuginedes nii tehisintellektile kui ka inimestele parimaid lahendusi. Projekti eesmärgiks on aidata kaasa ettevõtete tootmisprotsesside robotiseerimisele, keskendudes inimese-roboti koostöö sotsiaalsetele ja psühholoogilistele aspektidele, et tööstuses töötav inimene tunneks end turvaliselt ja rahulolevana. Uurimissuunad on: - koostöörobootika katselabori loomine - robotiseeritud töökoha disain - inimese-roboti koostoime modelleerimine, mõjutegurite ja riskide hindamine ning analüüs. Eeldatavateks tulemusteks on metoodika ja valideeritud inimese-roboti koostoime mudelid, nende rakendamise oskus, mõjutegurite ja riskide hinnangud; väljaarendatud labor koos riistvara, tarkvara ja oskusteabega; kasutajakesksete disainilahenduste teenuste pakkumine. Kõik see viib turvalisema inimese-roboti suhtluseni, tõstes kasutajate usalduse robotiseeritud süsteemide vastu.

Õppeaine EEV5040 Tööstusautomaatika ja ajamid tegevuse eesmärgiks on tutvustada üliõpilastele tööstusliku automatiseerimise ja elektriajamite olulisust ning nende valdkondade uusimaid suundumusi (sh ka IoT). Arendustegevuse tulemusena omandavad õppurid tulevikus põhjalikud teadmised elektriajamite juhtimisest, mudelipõhine disaini metoodikast ja IoT rakendustest tööstusautomaatikas. Nad suudavad luua, kohandada ja analüüsida elektrimootorite juhtimissüsteeme ning lahendada reaalseid probleeme selles valdkonnas. Need tulemused mõjutavad erialaspetsiifilise IKT õpetamise kvaliteeti, pakkudes õppuritele praktilisi oskusi ja teadmisi, mis on hädavajalikud tänapäeva tööstuslikus automatiseerimises. Arendusprojekti raames muudetakse ka õppeaine EEM0040 Masinnägemine, kus traditsioonilist masinanägemise õppekava, lisades sinna hüperspektraalse tehnoloogia komponendi. Arendustegevuse eesmärk on ühendada masinanägemise kontseptsioonid hüperspektraalse andmetöötlusega. Õppeaine raames arendavad üliõpilased praktilisi oskusi hüperspektraalsete kaamerate kasutamisel, alates kaamera seadistamisest kuni erinevate hüperspektraalsete piltide töötlemiseni. Nad omandavad teadmisi hüperspektraalsete andmete spetsiifikast, nagu lainepikkuse spekter ja selle seos materjalide omadustega. Lisaks õpivad nad masinanägemise meetodeid, mis võimaldavad tuvastada erinevaid objekte ja omadusi hüperspektraalsetest piltidest.