欢迎光临
人工智能那点事

ASSIA |『人工智能与智能控制』前沿讲习班

自动化学会官网banner.jpg

随着人工智能和机器人技术的发展,对控制理论研究的深度和广度得到开拓,形成了智能控制理论。当下,智能控制的应用研究十分活跃,各种智能决策系统、专家系统、学习系统和故障诊断系统等已被应用于各类工业过程控制系统、智能机器人系统和智能化生产系统。智能控制技术呈现出的强大生命力,已引起世界各国专家学者的关注。

中国自动化学会将以“人工智能与智能控制”为主题,于2018年7月28日-7月29日在湖北武汉·华中科技大学举办第6期『智能自动化学科前沿讲习班』。此次讲习班由华中科技大学自动化学院院长、图像信息处理与智能控制教育部重点实验室主任曾志刚教授和清华大学胡晓林副教授共同担任学术主任,邀请业界多位知名专家作主题报告,分享交流智能控制的学术前沿、产业发展及应用实现。

内容安排

学术报告1

智能控制算法

公众号图片11.png

讲者:陈俊龙,澳门大学讲座教授,国家千人学者,中国自动化学会副理事长,IEEE Fellow,AAAS Fellow,IAPR Fellow,CAA Fellow

摘要:智能控制是来解决传统控制方法难以解决的非线性、高度不确定性、信息不完全性、或者因人而产生复杂性等的具有复杂控制任务的问题。此次报告是讨论基于人工神经网络理论、模糊数学理论、计算智能理论、及模式识别理论等为基础而衍生出来的智能控制方法。课题包括:(1)神经网络控制;(2)模糊控制;(3)强化学习控制;(4)智能自适应控制;(5)基于遗传算法的智能控制;(6)混合智能的控制。

学术报告2

时间非一致性与随机最优控制

讲者:张纪峰,中科院系统科学研究所所长,中国自动化学会副理事长,国家杰青,IEEE Fellow,IFAC Fellow,CAA Fellow

 

摘要:对经典的最优控制问题,相应于给定时间-状态初始对的最优控制,将沿着最优轨迹保持最优;即以最优轨迹上任何一点作为新的时间-状态初始对,原有最优控制在后续时间区间上的限制,将是相应于此新初始对的最优控制。这一性质称为最优控制的时间一致性,它可由Bellman最优性原理推得。最优控制的时间一致性虽然在经典最优控制理论中很少被提及,但事实上它是一个本质性的概念,现有的Bellman动态规划理论主要依赖于时间一致性这一性质。 然而,现实世界中存在大量动态优化问题,对它们而言,Bellman最优性原理不再成立,进而最优控制的时间一致性也将丢失,即所考虑问题是时间非一致的;如下几种情形经常被文献提及:(i) 指标泛函中的贴现函数是非指数的,(ii) 指标泛函中存在条件期望的非线性项,(iii) 指标泛函是初始状态显式依赖的。这些现象广泛存在于经济学和金融学领域,比如双曲贴现函数,准几何贴现函数,均值-方差效用函数等。 本报告将详细介绍时间非一致性,具体地,将揭示时间非一致性自Adam Smith以来的定性分析和概念萌芽,阐述其在金融学和经济学中的定量分析和成功运用,描述了系统控制领域的相关研究进展,强调了研究随机最优控制领域内时间非一致的必要性。

学术报告3

类脑计算及类脑计算系统

公众号图片10.png

讲者:施路平,清华大学教授,博士生导师,清华大学类脑计算研究中心主任,国家千人计划特聘教授

 

摘要:类脑计算系统是借鉴人脑信息处理方式,打破“冯•诺依曼”架构束缚,适于实时处理非结构化信息、具有学习能力的超低功耗新型计算系统。当前欧盟、美国等均斥巨资长期支持此研究,但是这项研究目前均处于起步阶段,尚未形成公认技术方案。此报告将从为什么(why)?做什么(what)?和怎样做(how)?三方面来分析类脑计算系统研究,分析发展类脑计算的挑战和前景。

学术报告4

基于视触觉融合的目标识别与灵巧操作

公众号图片4.png

讲者:孙富春,清华大学教授,博士生导师,计算机科学与技术系学术委员会主任,国家杰青

 

摘要:为实现机器人柔和灵巧的操作能力,下一代机器人需装备多模态的分布式感知与融合模块,有望突破像人一样的跨模态信息感知、表征/融合和动作行为。本报告介绍了清华大学课题组研制的高分辨率四模态传感装置和装备有四模态人工皮肤/类肌肉驱动的五指灵巧手,该灵巧手的分布式传感装置包含了微视觉、压力觉/滑觉和温度觉传感器。报告给出了研究团队在跨模态的视触觉信息的处理方面取得理论成果,包括基于视触觉信息的目标识别以及感知-动作映射问题的深度学习和经验学习方法。最后是实验结果分析和未来的研究展望。

学术报告5

基于FPGA的深度学习处理器

公众号图片9.png

讲者:汪玉,清华大学长聘副教授,博士生导师,国家优青,深鉴科技联合创始人

 

摘要:深度学习的应用日益广泛。相比于传统的CPU/GPU平台,针对定制计算结构能够提供更高的计算能效。但是,基于FPGA的深度学习加速器面临开发周期长,性能受限等问题。本报告将通过总结已有工作,结合实际设计经验,总结针对深度学习加速器的设计思路,之后介绍基于FPGA的高能效、快速部署的深度学习处理器结构和部署流程[FPGA 2016+2017]。其中压缩和量化技术可以去除算法中的冗余操作,减少系统计算和存储的需求,同时量化还能够提升FPGA系统的峰值计算能力。由于CNN和DNN/RNN在计算和存储模式的本质差异,针对CNN、DNN/RNN分别设计了两种体系结构与相应的指令、编译系统。基于赛林思的平台,CNN和LSTM的平台均取得了比嵌入式和桌面GPU更好的能量效率(>60GOPS/W)。

学术报告6

AI时代视觉大数据的智能分析

公众号图片6.png

讲者:王亮,中科院自动化研究所研究员,博士生导师,模式识别国家重点实验室副主任,国家杰青,IAPR Fellow

 

摘要:本报告首先简介人工智能的概念和现状,然后介绍其重要的一个分支领域-计算机视觉。视觉大数据分析是模式识别的前沿方向。近年来,深度学习已经在语音、视觉、自然语言处理等领域取得了很大成功,接下来重点回顾深度学习历史及其在视觉大数据分析中的应用进展。针对深度神经网络在结构、功能、泛化性等存在的问题,进一步探索模拟认知过程中的注意、记忆等机制,研究深度认知神经网络理论和方法。最后,展望了几个未来可能的研究方向。

学术报告7

生物启发的视觉计算

公众号图片8.png

讲者:张兆翔,中科院自动化研究所研究员,博士生导师,类脑智能科研中心研究员

 

摘要:以深度学习为代表的模式识别方法在多种视觉应用中取得了显著成功,甚至媲美人的性能,但是与生物模式识别系统相比,现有的深度学习方法在自适应性、可泛化性和多任务协作方面依旧存在明显缺陷。从脑的神经信息处理机制、认知方法和行为特性上寻求启发有望指导更好的神经网络建模,实现更为鲁棒的类人学习,具有重要研究意义与应用前景。本报告将对近年来生物启发的视觉计算工作的回顾基础上,对我们近期开展的脑启发的神经网络建模与学习方法开展研究,具体报告内容包括神经网络的结构建模、面向多任务的神经网络架构学习、视听模态分析与整合、知识蒸馏和多智能体协同等。

学术报告8

基于新型电子突触器件的类脑计算研究

公众号图片5.png

讲者:吴华强,清华大学教授,微纳电子系副系主任,北京市未来芯片技术高精尖创新中心副主任

 

摘要:人工智能的研究和应用已经取得了突飞猛进的发展,但是运行人工智能深度神经网络算法的计算平台主要是超级计算机群(成百上千个CPU和GPU),不但需要巨大的硬件投入,而且占用的空间和消耗的能源也非常可观。受限于存储计算分离对芯片性能的限制,同时CMOS工艺微缩速度放缓,以及人工智能应用对计算存储需求的不断提升,当前的技术将面临诸多新的挑战。在这一背景下,新器件的出现变得至关重要,通过引入新原理的半导体器件,不但可以拓展芯片的功能,甚至可以颠覆传统电路理论,突破当前芯片面临的能效、速度瓶颈,大幅提升芯片性能。基于过渡族金属氧化的忆阻器件显示出了优越的存算一体的特性,能够规避存储和计算之间数据搬运的功耗并且能够实现大规模集成,进而实现高性能计算。 展望未来,智能社会即将来临!面向未来的智能芯片,最底层的器件需要具备哪些特性呢?

学术报告9

利用机器人的自然动力学来实现高能效的移动

公众号图片7.png

讲者:赵明国,清华大学副教授,机器人控制实验室主任

 

摘要:服务机器人的应用中常常面临一个重要的问题:使用轮子还是腿来完成运动。两个方法都各有优缺点。在铺设好的道路环境中,轮式机器人因其简单高效而被大量采用,而在复杂多变的环境中,腿式机器人常常是最佳选择。无论采用哪种运动方式,能量效率都是我们最关心的问题之一。因此,在这两种机器人的应用中都有一个共同的主题:利用机器人的自然动力学来实现高能效的移动。 本报告将介绍清华大学机器人控制实验室在这方面做的一些研究工作,即先利用被动步行原理实现高能效的双足运动,然后通过反馈控制进一步提高机器人的稳定性,报告的另外一部分也将向您展示如何通过车把转向控制实现无人驾驶自行车的高能量效率。在这些例子中,我们采用了一种非常简单但非常规的控制方法,它们的共同特点是寻找并利用系统的自然动力学。在两足机器人的研究中,我们考虑的能量补充机制和稳定控制方法,并构造一个参数激励系统,最后实现了一种方法来改善反馈控制系统的稳定性。这种方法受混沌控制的启发,但也不局限与混沌系统,我们希望这种方法可以作为实现可穿戴的软体外骨骼的一种理论基础。在自主驾驶自行车的研究中,我们使用车吧转向过程中的离心力和重力的平衡来实现自行车的平衡控制,并实现了一个一个稳定、灵活、高效的无人驾驶自行车系统,这种技术可以应用于个人智能设备和自动驾驶系统。

学术报告10

神经网络的攻击与防御

公众号图片2.png

讲者:胡晓林,清华大学副教授

 

摘要:神经网络在各种任务上取得了巨大的成功,但是人们发现它很脆弱:对输入数据做一点微小的扰动,就会导致输出结果完全不同。这种特殊扰动后的输入数据称为对抗样本,而这种操作被称为对神经网络的攻击。有攻击就应该有防御。防御的意思是构造方法使得神经网络不被对抗样本欺骗。我将介绍这个领域的历史和最新进展,并对未来进行展望。

讲习班致辞

公众号图片1.png

曾志刚,华中科技大学教授、博士生导师,自动化学院院长,国家杰出青年科学基金获得者,教育部长江学者特聘教授,万人计划科技创新领军人才,图像信息处理与智能控制教育部重点实验室主任。先后担任IEEE Transactions on Neural Networks;IEEE Transactions on Cybernetics; IEEE Transactions on Fuzzy Systems;Cognitive Computation;Neural Networks;Applied Soft Computing;自动化学报和控制工程的编委。担任IEEE Transactions on Neural Networks and Learning Systems;Neural Computing & Applications;Neurocomputing;International Journal of Fuzzy Systems;Neural Processing Letters 等5个SCI源国际学术期刊的客座编委。担任过三十多个国际学术会议的大会主席,程序委员会主席,出版主席等。

报名及注册费

1、本期讲习班限报 200 人,根据缴费先后顺序录取,报满为止;

2、2018年07月26日(含)前注册并缴费:自动化学会会员2000 元/人,非会员报名同时入会2500元/人;

3、现场缴费:会员2500元/人,非会员3000元/人(包含提前报名现场缴费、现场报名现场缴费);

4、在校生参会可享受学生优惠价格1200元/人;

5、同一单位3人及以上团体报名,按会员标准缴费;

6、即日起至 2018年7月26日,点击阅读原文进行注册报名

联系方式

联系人

周老师/辛宇

电话

010-62522472

手机

18811748370

邮箱

caa_assia@163.com

二维码-辛宇.png

微信扫码添加工作人员

报名注册网站的链接http://www.caa.org.cn/assia6/index

文章来自网络,:人工智能那点事 » ASSIA |『人工智能与智能控制』前沿讲习班