Progettazione, sviluppo e ottimizzazione di sistemi intelligenti multi-oggetto PROSSIMO

(1)

Progettazione, sviluppo e ottimizzazione di sistemi intelligenti multi-oggetto

Riunione semestrale - Mese 30

12/11/2020

Università degli Studi di Sassari - Dipartimento di Chimica e Farmacia Intelligent System Design and Application (IDEA) Lab

http://cluster-prossimo.it http://idea.uniss.it

PROSSIMO

(2)

Agenda

- Project Management

- Avanzamento e risultati - Stato dei deliverable

- Giornate di formazione e trasferimento

- Scenari d’uso e attività correnti

- Discussione

(3)

Avanzamento

-WP1: Gestione e coordinamento attività -WP2: Casi d’uso e specifiche

-WP3: Sperimentazione e sviluppo

-WP4: Formazione, trasferimento e diffusione dei risultati

(4)

Avanzamento e risultati – WP1

4

A1.1: Attività di gestione e coordinamento

A1.2: Comunicazione e collaborazione tra i partecipanti

A1.3: Analisi delle esigenze delle aziende partecipanti

(5)

Avanzamento e risultati – WP2

A2.1: Definizione dei

linguaggi di modellazione e specifica

A2.2: Specifica delle

architetture di riferimento A2.3: Specifica degli

scenari di riferimento

(6)

Avanzamento e risultati – WP3

A3.1: Sintesi e analisi automatica di CPS A3.2: Progettazione

integrata e ottimizzazione di (reti di) CPS

A3.3: Testing e

generazione automatica di test per CPS

A3.4: Integrazione e

sviluppo del dimostratore

(7)

Avanzamento e risultati - WP4

A4.1: Portale Web e social media

A4.2: Promozione e disseminazione

A4.3: Formazione

(8)

Deliverables

• Deliverable rilasciati:

• «Sintesi e analisi automatica di CPS (aggiornamento)» (A3.1, M30)

• «Progettazione integrata e ottimizzazione (aggiornamento)» (A3.2, M30)

• «Testing e generazione automatica di test (aggiornamento)» (A3.3, M30)

• Deliverable programmati entro M34: Integrazione e release del dimostratore

(9)

Giornate di formazione e trasferimento

•

_Tematica _Data

Introduzione al HW/SW co-design su FPGA Novembre 2019

Tecniche e strumenti software per l’analisi formale di CPS Dicembre 2019 Strumenti software per la modellazione di CPS Dicembre 2019 HW/SW co-design e monitoring (HW/SW) di sistemi Febbraio 2020

Internet of Things (IoT) design Marzo 2020

Cyber-security nei sistemi interconnessi Giugno 2020

Video sorveglianza e biometrie Luglio 2020

Brevetti e proprietà intelletuale Ottobre 2020

(10)

Attività correnti e future

Scenari d’uso

(11)

Scenari d’uso

Monitoraggio di ambienti con sistemi alimentati ad

energia solare Monitoraggio di ambienti domestici con sistemi

autonomi mobili di rilevazione

Videosorveglianza multicamera

intelligente

(12)

Scenario 1

(13)

Scenario 1 – Smart Camera

• Raspberry Pi 3 Model B+

• SoC: Broadcom BCM2837B0 Quad Core Cortex-A53 a 1.4 GHz, 32 kB L1 e 512 kB L2

• GPU: Broadcom VideoCore IV Dual Core a 400 MHz

• RAM: 1GB LPDDR2 a 900 MHz

• Arducam 5 Megapixels 1080p OV5647 Camera Module

• Lithium Battery Pack

• Battery capacity: 3800mAH Maximum

• Maximum output current:1.8A

• Output voltage:5.1V±0.1V

• PiJuice Pannello solare - 12Watt

MODULI SW:

• Monitoraggio luminosità con azione da comunicare

• Person detection

(14)

Scenario 1 – Turtlebot2 (Componenti)

• Kobuki mobile base

• Bumpers, cliff sensor, wheel drop sensor, gyro

• battery 2200 mAh

• Intel NUC Celeron N3050

• Celeron quad core 1.50 GHz

• RAM 4 GB

• Orbbec Astra (camera, 3D camera, fake laser scanner)

• Range: 0.6 – 8.0 m

• RGB Image Res. : 640 x 480 @30fps

• Depth Image Res.: 640 x 480 @30fps

• WidowX Arm

• 6 Dynamixel Actuators

• Arbotix-M Controller

• Portata media (dipendente dalla distanza:

500g)

(15)

Scenario 1 – Turtlebot2 (Moduli SW)

• Regolazione luminosità ambiente (azionamento leva)

• Navigazione autonoma (con riconoscimento ostacoli “on demand”)

• Riconoscimento identificativo pianta

• Riconoscimento anomalia pianta e generazione allarme

• Riconoscimento e raccolta oggetto (comunicazione camera/braccio)

• Ritorno alla stazione base per ricarica batteria (con riconoscimento ostacoli

nel percorso)

(16)

Turtlebot2 – Costruzione della mappa

(17)

Architettura generale

• Insieme di framework per lo sviluppo e la programmazione di robot che permette

• astrazione dell'hardware

• controllo dei dispositivi tramite driver

• comunicazione tra processi

• gestione delle applicazioni (package)

• Moduli software (c++ e python) integrati in ROS

• Versione usata: ROS 1 Kinetic

• Per tutti i componenti: registrazione valori dei sensori in DB sul server a fini di monitoraggio e manutenzione predittiva

(18)

Scenario 1 – Sperimentazione

Aspetti da sperimentare

• Verifica (model-based)

• Testing (generazione automatica)

• Adattività (per risparmio energetico rispetto alle risorse utilizzate)

• Accelerazione per image processing

• Verifica reti neurali

• Tecniche AI per monitoraggio e manutenzione predittiva

Tool utilizzati per la sperimentazione

• Hack

• MDC

• NeVer

• ReqT

• ReqV

(19)

Scenario 2

(20)

Scenario 2 – Turtlebot3

• Raspberry Pi 3 Model B+

• SoC: Broadcom BCM2837B0 Quad Core Cortex-A53 a 1.4 GHz, 32 kB L1 e 512 kB L2

• GPU: Broadcom VideoCore IV Dual Core a 400 MHz

• RAM: 1GB LPDDR2 a 900 MHz

• Raspberry Pi Camera Module v2.1

• 2 Dynamixel motors (wheels)

• OpenCR1.0 (with ARM Cortex-M7 controller)

• LDS-01 (HLS-LFCD2) 2D laser scanner

• Distance range: 120 – 3500 mm

• Distance accuracy: 5%

• Angular Range: 360°

• Angualr Resolution: 1°

• LIPO Battery 11.1V 1,800mAh

MODULI SW:

• Navigazione autonoma

(21)

Scenario 2 – NAO V6 (Componenti)

• Intel ATOM E3845@1.91GHz, 4GB RAM

• 2 front 2D cameras

• 25 Degrees of Freedom

• 2 Head

• 5 Arm (in each)

• 1 Pelvis

• 5 Leg (in each)

• 1 Hand (in each)

• Force sensitive resistors

• 2 Sonars (front)

• 4 contact sensors

• Speakers and Microphones

(22)

Scenario 2 – NAO V6 (Moduli SW)

• Person detection

• Speech recognition

• Object detection

• Navigazione autonoma

• Controllo arto superiore

• Turtlebot3 monitoring

(23)

Scenario 2 – Navigazione Turtlebot3

(24)

Scenario 2 – Esempio NAO

(25)

Scenario 2 – Sperimentazione