Preaload Image
اعضای آزمایشگاه – اعضای سابق – دانشجویان دکتری

حامد حسینی

زمینه تحقیقاتی : —
بازه فعالیت در آزمایشگاه : 1396 تا 1399
hosseini.hamed@ut.ac.ir

1

2

Citations: 0
h-index: 0
i10-index: 0
No. of Papers: 0

تحصیلات

کارشناسی : مخابرات – دانشگاه صنعتی امیر کبیر
کارشناسی ارشد : کنترل – دانشگاه صنعتی امیر کبیر
دکتری : هوش مصنوعی و رباتیک – دانشگاه تهران

حامد حسینی مدرک کارشناسی را در رشته مهندسی برق گرایش مخابرات از دانشگاه صنعتی امیرکبیر(AUT) ، تهران ، ایران ، در سال 1394 دریافت نمود. عنوان پایان نامه کارشناسی وی “شناسایی فعالیت‌های غیرعادی سیگنال مغزی(EEG) به کمک شبکه‌های باورعمیق” بود. وی به صورت پذیرش استعداد های درخشان وارد مقطع ارشد کنترل در دانشگاه صنعتی امیرکبیر شد وبه عضویت تیم رباتیک پارسیان در دانشکده برق قرار گرفت. در دو سال فعالیتش در این تیم مقام های اول و سوم داخلی و چهارم جهانی در کشور ژاپن را در لیگ ربات‌های فوتبالیست سایز کوچک بدست آورد. در این سالها سابقه 5 بار تدریس یاری در دروس برنامه نویسی مقدماتی و پیشرفته و همچنین ریاضیات مهندسی را در کارنامه دارد. وی در سال 1396 پایان نامه کارشناسی ارشد خود را با عنوان “بکارگیری سیگنال های حیاتی در پروسه کنترل ربات توانبخشی مچ دست” دفاع کرد. در همان سال 1396 با پذیرش استعدادهای درخشان وارد مقطع دکتری هوش مصنوعی و رباتیکز دانشکده برق و کامپیوتر دانشگاه تهران شده و در آزمایشگاه تعامل انسان و ربات مشغول فعالیت شد. در سالهای حضور وی در این دانشگاه تدریس یاری دروس رباتیک و مکاترونیک و چندین دوره آموزش زبان پایتون را تجربه کرده. او پیشنهاد رساله دکتری خود را تحت عنوان “تشحیص نحوه برداشت رباتیکی به کمک شبکه‌های عصبی عمیق” با موفقیت دفاع نموده است. از آنجا که امروزه جمعیت جهان رو به افزایش بوده و نیاز به اتوماسیون بسیار گسترش یافته است، مسئله برداشت رباتیکی نیاز ضروری در صنعت تلقی می‌شود. رویکردهای سنتی در مواجهه با اجسام جدید و دیده نشده کارایی لازم را ندارند برای حل این موضوع علاقه فراوانی برای استفاده از رویکردهای مبتنی بر یادگیری برای بهبود علملیات گذاشت و برداشت شده تا مسئله همیشگی برداشت با راه‌حل های مناسبی پاسخ داده شوند. لذا حامد حسینی با تمرکز بر این مشکل و با استفاده از ابزار‌های مورد استفاده در این حوزه اقدام به ارائه راه‌حل هایی مبتنی بر بینایی ماشین، یادگیری عمیق کرده است.

تشخیص نحوه برداشت رباتیکی اجسام به کمک شبکه‌های عصبی عمیق

در این پروژه هدف بررسی تشخیص نحوه‌ی برداشت رباتیکی اجسام به کمک سیستم‌های هوشمند است. از آنجا که سال‌ روش‌های مبتنی بر الگوریتم‌های تحلیلی در حوزه برداشت رباتیکی مورد استفاده واقع شده‌بودند لیکن این الگوریتم‌ها با محدودیت جدی روبرو بوده‌اند که از مهمترین آن‌ها عدم توانایی برداشت اجسام دیده نشده ‌بود. چرا که عملیات برداشت در روش‌های تحلیلی با مفروض دانستن کل یا حدود مدل جسم انجام می‌شود. با پیشرفت‌های چشمگیری که در سال‌های اخیر در حوزه یادگیری عمیق در بینایی ماشین صورت پذیرفته، رویکردهای مناسبی برای این مساله به‌وجود آمده است. رویکردهایی که در عین پردازش بلادرنگ توانایی کشف برداشت مناسب را نیز دارا هستند. بدین منظور در دو حوزه برداشت دو و سه بعدی به کمک گیره رباتیکی دو یا چند انگشتی به ارائه نوآوری‌های مورد استفاده برای مرتفع سازی این نیاز‌ها پرداخته شده‌است. در حوزه تشخیص نحوه‌ی برداشت دو بعدی به معرفی روش‌هایی به منظور بهبود دقت تشخیصی و شناسایی بهترین مکان تشخیصی از میان کاندیدا‌های مختلف برداشت با توجه به کمینگی نیروی برداشت و تناسب با هدف خاص رباتیکی پرداخته شده است.در روش‌های تشخیصی برداشت سه بعدی نیز نیز با هدف افزایش دقت تشخیصی، کاهش نیروی برداشت و متناسب سازی تشخیص نحوه‌ی برداشت با هدف خاص رباتیکی اقدام به ارائه ایده در این بخش شده است. در این بخش پس از پیش پردازش داده‌های ورودی اقدام به تولید انواع جدید نمایشی چون ابر نقاط، مش و وکسل به منظور افزایش اطلاعات مورد نیاز برای برداشت شده است. سپس در بخش تشخیص نحوه‌ی برداشت رباتیکی که عمده نوآوری‌های این بخش در آن نهفته است در دو حوزه مستقیم و مبتنی بر تجزیه جسم به اشکال پایه آن اقدام به تشخیص نحوه‌ی برداشت مناسب شده‌است. برای تجزیه جسم به اشکال پایه‌ای آن از روی تصاویر رنگی و عمقی مدلی ترکیبی از اطلاعات رنگی و عمقی برای قسمت بندی پیشنهاد شده‌است. همچنین برای قسمت بندی و تطبیق سطح از روی ابرنقاط جسم روش‌های بدون نظارت و با نظارت ارائه گردیده‌است. برای کمک به قسمت بندی چه از روی ابر نقاط و چه تصاویر، غنی سازی داده‌های آموزشی کمک‌کننده است لذا مدلی به کمک شبکه‌های مولد رقابتی برای تولید مجموعه داده حاوی تصاویر و تجزیه آن به اشکال پایه ارائه گردیده‌است. در انتها برای رتبه‌بندی برداشت‌های مناسب از شناسایی مرکز جرم، جنس و تطابق با هدف رباتیکی بهره جسته شده‌است. ممکن است برخی از داده‌های مورد نیاز در دسترس قرار نداشته و یا به کلی وجود نداشته باشند برای این منظور و همچنین غنی‌سازی دادگان پیشنهاد دستگاهی برای جمع‌آوری مجموعه داده مناسب برداشت رباتیکی ارائه گردیده است.
منبع پایان نامه

کلمات کلیدی:

کنترل هوشمند
دست های رباتیکی (Grasping(
بینایی ماشین
یادگیری عمیق
شبکه های عصبی کانولوشن
حسگر نیرو/گشتاور
مسیریابی ربات
ندارد.