Циљ је да студенти остваре способност за развој и имплементацију интелигентних мобилних робота способних да реализују радне задатке у напредном технолошком окружењу, кроз хардверско-софтверску интеграцију, без експлицитног управљања од стране човека-оператера, а у складу са примењеним парадигмама вештачке интелигенције. С обзиром да производне технологије 21. века обухватају ту хардверско-софтверску интеграцију интелигентних система, посебно мобилних робота, као и аутоматизованих агената, овај предмет има за циљ да студенте мастер академских студија, кроз теоријске, а посебно преко практичних аспеката, оспособи за самосталан развој савремених роботизованих система и процеса, њихово моделирање, увођење, све до имплементације у оквиру четврте индустријске револуције, и то кроз примену нових алгоритама и метода у домену вештачке интелигенције.

По успешном завршетку овог курса, студенти би требало да буду оспособљени да: • Комплексно користе информационо-комуникационе технологије у оквиру интелигентних роботских система. • Самостално врше избор метода базираних на примени различитих техника вештачке интелигенције (вештачких неуронских мрежа, фази логике и хибридног управљања, итд.), као и биолошки инспирисаних алгоритама при тражењу оптималног решења у процесу развоја и примене машинског учења интелигентних роботских система (коришћењем софтвера Matlab и BPnet). • Разумеју интеракције софтверских и хардверских подсистема мобилног робота при одлучивању, током истраживања технолошког окружења, кроз реконфигурисање његове физичке структуре и програмирање интелигентног понашања у Matlab окружењу. • Имају развијену способност за тимски рад.

Теоријска настава обухвата следеће садржаје: 1. Увод у интелигентне системе базиране на знању и машинском учењу. Модели машинског учења; дедукција, индукција и аналогија. Машинско учење као основа интелигентних система и процеса. 2. Еволутивност и интелигентни системи базирани на мултиагентској методологији. 3. Интелигентни мобилни роботи; кључне когнитивне способности мобилних робота укључујући перцепцију, избегавање препрека, антиципацију, планирање путање, комплексну координацију мотора, разумевањe понашања других агената, итд. 4. Оцењивање положаја мобилног робота и карактеристичних објеката у технолошком окружењу. Калманов филтер. 5. Вештачке неуронске мреже: вишеслојне неуронске мреже без повратних спрега, неуронске мреже са радијалним базисним функцијама. 6. Фази логика и фази управљање. 7. Неуро-фази контролери. 8. Интелигентно управљање мобилног роботског система. 9. Биолошки инспирисани алгоритми у процесу оптимизације интелигентних роботских система.

Практична настава обухвата следеће садржаје: 1. Аудиторна вежба: Архитектуре софтвера за машинско учење интелигентних система. 2. Лабораторијска вежба бр. 1: Интелигентно понашање агената технолошког система базирано на алгоритму емпиријског управљања. 3. Лабораторијска вежба бр. 2: Архитектура укључивања нивоа компетенције интелигентног роботског система (пројектовање интелигентног понашања мобилног робота у интеракцији са детектованим објектима - програмирање у Matlab окружењу). 4. Лабораторијска вежба бр. 3: Навигација мобилног робота и изградња мапе технолошког окружења - Simultaneous Localization and Mapping (SLAM) - програмирање у Matlab окружењу. 5. Лабораторијска вежба бр. 4: Комуникативност и интерактивност робота у радном окружењу. 6. Лабораторијска вежба бр. 5: Интелигентно управљање мобилног робота. 7. Израда пројекта: унутрашњи транспорт делова и/или материјала; интелигентно управљање мобилног робота у функцији локализације и симултане изградње мапе технолошког окружења, итд.

/1./ З.Миљковић, Н.Славковић, М.М.Петровић, (2021) Роботски и сензорски ресурси Лабораторије ROBOTICS & AI: • Микроиндустријски и едукациони петоосни робот вертикалне зглобне конфигурације Mitsubishi MOVEMASTER EX RV-M1; • Шестоосни индустријски робот вертикалне зглобне конфигурације ILR LOLA50, са сопственим развојем система за управљање и програмирање у G коду за потребе вишеосне обраде рељефних површина; • Петоосни индустријски робот вертикалне зглобне конфигурације „ГОШКО" са транслаторним модулом; • DELTA робот са паралелном кинематиком, са 3+1 степеном слободе; • Khepera II–KheIIBase мобилни робот са хватачем Khepera Gripper Turret, интегрисаном камером CMUcam VISION TURRET–KheCMUCam и инфрацрвеним сензорима; • Lego® Mindstorms NXT и EV3 ренфигурабилни комплети роботских система са сензорима (оптички сензор, ултразвучни сензор, сензори звука, сензори додира/тактилни сензори); • Систем препознавања (стерео камере) за интелигентно управљање мобилног робота. /2./ З.Миљковић, М.М.Петровић, (2021) ИНТЕЛИГЕНТНИ ТЕХНОЛОШКИ СИСТЕМИ - са изводима из роботике и вештачке интелигенције, Универзитет у Београду–Машински факултет, XXVIII+409 стр., I издање, ISBN 978-86-6060-071-6. /3./ З.Миљковић, М.М.Петровић, (2022) Изводи са предавања за сваку лекцију (handouts). /4./ З.Миљковић, Р.Јовановић, М.М.Петровић, (2022) Упутства за израду пројекта и рад на лабораторијским вежбама. /5./ Р.Јовановић, (2022) Интелигенти системи управљања, Изводи са предавања, Универзитет у Београду, Машински факултет. /6./ Р.Јовановић, (2022) Фази управљачки системи, Изводи са предавања, Универзитет у Београду, Машински факултет. /7./ V.Kecman, (2001) Learning and Soft Computing: support vector machines, neural networks, and fuzzy logic models, The MIT Press,Cambridge, MA, USA. /8./ G.Dudek, M.Jenkin, (2010) Computational Principles of Mobile Robotics, 2nd ed., Cambridge University Press. /9./ Y.Hatamura, (2006) DECISION-MAKING IN ENGINEERING DESIGN, Springer-Verlag London Ltd., Germany.

укупан фонд часова: 90

ново градиво: 25
разрада и примери (рекапитулација): 5

аудиторне вежбе: 5
лабораторијске вежбе: 30
рачунски задаци: 0
семинарски рад: 0
пројекат: 10
консултације: 0
дискусија/радионица: 0
студијски истраживачки рад: 0

преглед и оцена рачунских задатака: 0
преглед и оцена лабораторијских извештаја: 0
преглед и оцена семинарских радова: 0
преглед и оцена пројекта: 6
колоквијум са оцењивањем: 2
тест са оцењивањем: 2
завршни испит: 5

активност у току предавања: 5
тест/колоквијум: 20
лабораторијска вежбања: 10
рачунски задаци: 0
семинарски рад: 0
пројекат: 35
завршни испит: 30
услов за излазак на испит (потребан број поена): 30

R.Siegwart,I.R.Nourbakhsh,D.Scaramuzza, (2011) INTRODUCTION TO AUTONOMOUS MOBILE ROBOTS, 2nd Edition, The MIT Press.; E. Alpaydin, (2010) INTRODUCTION TO MACHINE LEARNING, 2nd Edition, The MIT Press, Cambridge, England.; R.R. Murphy, (2000) INTRODUCTION TO AI ROBOTICS, The MIT Press, Cambridge, England.; З.Миљковић, Д.Алексендрић, (2018) ВЕШТАЧКЕ НЕУРОНСКЕ МРЕЖЕ – збирка решених задатака са изводима из теорије (II издање), Уџбеник, Универзитет у Београду - Машински факултет.; Р. Јовановић, (2016) МatLab и Simulink у аутоматском управљању - уџбеник, Универзитет у Београду, Машински факултет.;