Кибер физические системы что это

ТЕХНОЛОГИИ, ИНЖИНИРИНГ, ИННОВАЦИИ

Измеритель диаметра, измеритель эксцентриситета, автоматизация, ГИС, моделирование, разработка программного обеспечения и электроники, БИМ

Киберфизические системы с искусственным интеллектом: актуальное направление современной науки и техники

Что такое киберфизические системы, почему они так актуальны сегодня, и какую роль в их развитии играет искусственный интеллект? Изучение различных свойств информационно-технических систем с точки зрения взаимодействия их физической и цифровой составляющих — новое и актуальное направление современной науки о киберфизических системах [1]. Главными составными частями любой киберфизической системы являются (Рис.1): физический слой системы (различные объекты реального физического мира самой разнообразной природы); цифровой слой системы (множество данных о системе, хранимых в памяти компьютеров, алгоритмы управления физическими объектами, алгоритмы обработки информации и пр.); интерфейс взаимодействия цифрового и физического слоя (различные сенсоры, управляющие механизмы и пр.); интерфейс взаимодействия цифрового и физического слоя с человеком (различные XR технологии). Эти составные части взаимодействуют между собой во времени и пространстве, образуя единую экосистему, направленную на решение определённой задачи. С точки зрения эволюции систем, киберфизические системы являются следующей ступенью с большим масштабом гранулярности, т.е. такая система сама состоит из множества других сложных систем.

Рис.1. Концептуальная схема киберфизической системы, включающая основные составные части и виды их взаимодействий.

В качестве киберфизической системы могут рассматриваться как относительно небольшие объекты, такие как беспилотный летательный аппарат, система умных устройств помещения, так и весьма масштабные: заводы по производству летательных аппаратов или даже целые города.

Киберфизические системы (Cyber-physical systems, CPS) — объект пристального исследования многих лабораторий по всему миру. Это и лаборатории ведущих мировых университетов: CyPhyLab Калифорнийского университета в Лос Анджелесе, целый ряд подразделений MIT media lab, лаборатории технологических лидеров промышленности, таких как Bosch, Toshiba или PTC.

У CPS есть очень много общего с другими информационно-техническими концепциями, такими как интернет вещей, умная пыль и туманные вычисления, т.е. со структурами типа “грид”. Но нужно понимать, что CPS — более широкое понятие, чем перечисленные выше, и они могут являться составными частями целой киберфизической системы. Более того, если рассматривать составные устройства киберфизической системы, то по отношению к другим концепциям, в CPS они находятся на более высоком уровне взаимодействия (Рис.2).

Рис.2. Уровни взаимодействия объектов реального мира внутри цифрового слоя.

Если рассматривать степень влияния киберфизических систем на нашу жизнь, то достаточно сказать, что именно с осознанием этой концепции и возникновением действующих подобных систем связывают переход к индустрии 4.0.

Немецкая академия Acatech, один из лидеров в области развития Индустрии 4.0, уже говорит о перспективах национальных киберфизических платформ, которые складываются из трех типов сетей: интернета людей, интернета вещей и интернета сервисов. Если говорить про прототипы киберфизических платформ, то наиболее удачным примером на сегодняшний день является государство Сингапур, где на законодательном уровне принята инициатива “Умная нация”, которая подразумевает социальное и экономическое развитие на базе киберфизической платформы. Но не только лишь один Сингапур активно прорабатывает киберфизические платформы и системы — так, например, в США эта технология с 2011 года принята в ряд важнейших стратегических технологий. Про отличия киберфизических систем от другого типа систем и про их историю развития можно почитать здесь и здесь.

Рис.3 Киберфизические платформы как результат слияния интернета вещей, людей и сервисов.

В последнее время, для улучшения работы всех составных частей CPS, всё чаще используются методы искусственного интеллекта, в частности алгоритмы глубокого обучения. Данная конвергенция технологий формирует большое количество связей и данных — необходимых для развития ИИ.

Из-за недавно начавшейся 3-ий революции ИИ, на сегодняшний день накопилось достаточно методов обработки данных самой разной природы, будь то изображения, текст, сигналы электрической или иной природы, трёхмерные данные и многое другое. Каждый день появляются новые средства по улучшению существующих алгоритмов глубокого обучения, как на фундаментальном математическом уровне, так и в виде более совершенных вычислительных единиц аппаратного обеспечения. Вместе с развитием области ИИ развиваются и киберфизические системы, поскольку качество работы таких систем определяется во многом качеством обработки данных присутствующих в системе.

Рис. 4. ИИ и его подобласти

В данной заметке на практических кейсах мы рассмотрим преимущества подхода, основанного на использовании методов глубокого обучения в киберфизических системах.

ИИ ускоряет симуляции цифровых двойников

Рис. 5. Сравнение качества рендеринга классическими алгоритмами компьютерной графики и с применением нейронных сетей.

В процессе проектирования и эксплуатации киберфизических систем возникает ряд проблем. Одной из них является проблема согласованности времени между физическими объектами и их цифровыми двойниками [3]. Для управления объектами в реальном мире и предсказания их поведения создаются цифровые копии в виртуальном пространстве, на основе математических моделей [4–6]. Время, необходимое для симуляции такой модели, может отличаться от времени, с которым протекают реальные физические процессы в моделируемом объекте. Часто случается так, что математическая модель настолько сложна, что время компьютерной симуляции превышает реальное. Для ускорения вычислений, при сохранении качества симуляции, предлагается использование методов глубокого обучения.

Показательным является кейс по ускорению рендеринга облачных газовых структур при прохождении через них света. На эту тему есть замечательный доклад от Евгения Туманова и соответствующая заметка на habr.

Рис. 6 Формальная постановка задачи рендеринга облаков. (Евгений Туманов, доклад на HighLoad++ 2018).

Традиционный подход для решения этой задачи заключается в том, чтобы для каждого пикселя рассчитываемого изображения решать основное уравнения рендеринга, которое является интегральным уравнением Фредгольма 2-го рода. Решение такого типа уравнений является сложной алгоритмической задачей и требует много времени. Основная идея по ускорению вычислений в этом случае — в использовании нейронной сети в качестве универсального аппроксиматора, которым заменяется решение самой времязатратной части классического численного метода.

Рис. 7 Идея применения методов глубокого обучения для задачи рендеринга (Евгений Туманов, доклад на HighLoad++).

ИИ помогает принимать решения в космосе

В качестве киберфизической системы может выступать как отдельный беспилотный летательный аппарат (БПЛА), так и целая группировка таких аппаратов вместе с наземными станциями связи и управления. Хорошим примером является запущенная недавно компанией SpaceX группировка спутников Starlink. В процессе эксплуатации подобных групп БПЛА на околоземных орбитах возникает проблема опасности столкновения с космическим мусором, в связи с чем требуется рассчитывать возможные манёвры и принимать решения по уклонению.

Решение этой задачи для одного единственного БПЛА представляет определённые сложности — решение о манёвре уклонения принимает специальная комиссия из баллистиков ЦУПа за несколько витков до потенциального столкновения. В условиях текущего количества космического мусора это работает. Но эффективных систем по расчистке околоземного пространства пока нет, а эффект Кесслера может привести к тому, что потенциальных столкновений может возникать несколько за один виток. В такой ситуации времени на принятие решения будет критически мало, а из-за сложности ситуации в небе, просчёт потенциальных манёвров уклонения будет представлять чрезвычайно сложную задачу даже для группы опытных баллистиков.

Рис. 9 VR интерфейс ЦУПа будущего.

В процессе реализации проекта TZUP, в котором принимала участие команда PHYGITALISM совместно со специалистами из других компаний и университетов, была создана система моделирования движения спутников в околоземном пространстве с возможностью расчёта вероятностей столкновения с космическим мусором. Эта система была использована в качестве среды для обучения агентов искусственного интеллекта (задача обучения с подкреплением), т.е. цифровой двойник околоземного пространства стал генератором синтетических данных для обучения алгоритма. ИИ здесь выступает в качестве помощника диспетчера ЦУПа будущего. Система предлагает манёвры уклонения и визуализирует их, а специалисту остаётся только принять решение, какой из предложенных манёвров использовать. Получился своеобразный Яндекс.Навигатор в околоземном пространстве.

Рис. 10 Расчёт вероятности столкновения с помощью компьютерного моделирования.

ИИ на страже безопасности CPS

Рис. 11. Визуализация симуляции технологических процессов в цифровом двойнике завода.

Другой важной проблемой является обеспечение безопасности CPS — создание систем защиты от киберфизических атак стало новым актуальным направлением в области информационной безопасности. Вы можете ознакомиться с размышлениями на эту тему в следующей заметке.

Давайте рассмотрим практический кейс под названием PlantSim, реализованного командой PHYGITALISM. Основная цель проекта заключалась в создании системы обнаружения аномалий в каналах связи между ПЛК (программируемым логическим контроллером), управляющим технологическими процессами на нефтеперерабатывающем заводе, и системой инженерного мониторинга (SCADA). Для поиска аномалий в каналах управления было предложено использовать рекуррентную нейронную сеть [7].

Рис. 12. Структурная схема рассматриваемой киберфизической системы.

ИИ усиливает органы чувств CPS

Рис.13. Google project soli sensor.

Для лучшего качества функционирования CPS необходимо иметь как можно больше информации о состоянии среды, в которой функционирует такая система, и как можно точнее определять процессы, протекающие в её составных частях. Всевозможные сенсоры и датчики служат органами чувств для CPS. Чем лучше система“видит”, что происходит с ней и вокруг в данный момент времени, тем лучше будет качество принимаемых ею решений об управлении располагаемыми ресурсами.

Например, в контексте предыдущего раздела, чем более чувствительный терморегулятор установлен в цистерне перегона взрывоопасных жидкостей (при условии нечувствительности такого терморегулятора к шумовым выбросам), тем скорее в случае сбоя подогрева система безопасности сможет детектировать опасность и предотвратить её.

Рис.14. Использование project soli для управления устройствами с помощью жестов.

В качестве более жизненного примера можно рассмотреть распознавание тонких человеческих жестов с помощью wi-fi сигнала для управления гаджетами.
И здесь искусственный интеллект может помочь с улучшением качества работы существующих датчиков или с созданием новых сенсоров. Наглядно это демонстрирует датчик Project Soli от компании Google.

Основная идея здесь не нова: wi-fi роутеры представляют из себя трансмиттеры-ресиверы электромагнитных волн. Проходя через пространство, электромагнитная волна отражается от различных объектов и возвращается обратно в устройство. Если некоторый объект начинает двигаться, то его скорость складывается или вычитается со скоростью движения электромагнитной волны, из-за чего возникает смещение в частоте и длине отражённой волны. Это явление называется эффектом Доплера, и как раз его-то мы и можем использовать для детектирования жестов, и не только с помощью wi-fi роутера. Однако, не всё так просто.

Во-первых, обычные роутеры работают на частотах порядка 5GHz. Такая частота может быть недостаточной для хорошей разрешающей способности алгоритма классификации, т.е. близкие по форме, но всё же разные по сути объекты будут распознаваться как один и тот же объект. Данную проблему решают повышением рабочей частоты устройства (у project soli рабочая частота составляет 57 – 64 GHz).

Во-вторых, в реальных задачах требуется распознавать не только конкретный жест, но и кому этот жест принадлежит, в одном помещении может быть сразу несколько людей и у всех у них может быть разный приоритет в системе. Эту и многие другие неозвученные проблемы решают с помощью применения современных алгоритмов глубокого обучения [8]. Такой подход, например, используется в проекте WiSee, реализованном студентами и сотрудниками Вашингтонского университета.

Поскольку для работы нейросетевых алгоритмов требуется достаточно сложные, однако однотипные вычисления, для их реализации в железе существует специальные вычислительные единицы, т.н. TPU (tensor process init) или иначе — нейромодули, нейропроцессоры. Такие вычислительные единицы могут быть оптимизированы под конкретную задачу, будь то распознавание лиц, голоса или жестов. Как раз для решения задачи распознавания жестов или пространственных перемещений небольших объектов был создан специальный TPU “Soli I-CB”, который может быть встроен в различные умные устройства и гаджеты.

Рис. 15. Нейрочипы project soli.

Вывод

Киберфизические системы — важная составная часть информационной эпохи. Чем лучше мы понимаем как проектировать, анализировать, защищать и улучшать такие системы, тем лучше, безопаснее и понятнее мы делаем мир вокруг нас. Как можно увидеть из рассмотренных выше примеров, искусственный интеллект может улучшить работу CPS на всех уровнях, а синергия этих двух актуальных направлений (AI + CPS) принесет множество интересных и неожиданных улучшений в нашу жизнь.

Если вы студент бакалавриата или вам интересна тема CPS, AI, XR технологий и реализация подобных проектов, то на этот случай у нас есть магистерская программа “Дополненная/виртуальная реальность и искусственный интеллект” на базе факультета прикладной информатики и информационных технологий МАИ, в сотрудничестве с технологической студией PHYGITALISM. В основе программы — курсы по искусственному интеллекту, киберфизическим системам, виртуальной и дополненной реальности, в рамках которых мы поможем вам разобраться во всех премудростях работы с технологиями на практике.

1. Allgöwer, Frank & Sousa, João & Kapinski, James & Mosterman, Pieter & Oehlerking, Jens & Panciatici, Patrick & Prandini, Maria & Rajhans, Akshay & Tabuada, Paulo & Wenzelburger, Philipp. (2019). Position paper on the challenges posed by modern applications to cyber-physical systems theory. Nonlinear Analysis. 34. 147–165. 10.1016/j.nahs.2019.05.007.

3. Lee, Edward A. “The past, present and future of cyber-physical systems: a focus on models.” Sensors (Basel, Switzerland) vol. 15,3 4837–69. 26 Feb. 2015, doi:10.3390/s150304837

4. R. G. Sanfelice. Analysis and Design of Cyber-Physical Systems. A Hybrid Control Systems Approach // Cyber-Physical Systems: From Theory to Practice / D. Rawat, J. Rodrigues, I. Stojmenovic. — CRC Press, 2016

5. Shao Z., Liu J. (2013) Spatio-temporal Hybrid Automata for Cyber-Physical Systems. In: Liu Z., Woodcock J., Zhu H. (eds) Theoretical Aspects of Computing — ICTAC 2013. ICTAC 2013. Lecture Notes in Computer Science, vol 8049. Springer, Berlin, Heidelberg

7. Filonov, Pavel & Kitashov, Fedor & Lavrentyev, Andrey. (2017). RNN-based Early Cyber-Attack Detection for the Tennessee Eastman Process. ArXiv abs/1709.02232

8. Qifan Pu, Sidhant Gupta, Shyam Gollakota, Shwetak Patel (2013) Whole-Home Gesture Recognition Using Wireless Signals // The 19th Annual International Conference on Mobile Computing and Networking (Mobicom’13)

Автор: Вадим Кондаратцев, vadim@phygitalism.com, itcentrmai@gmail.com
Источник: https://habr.com/

Понравилась статья? Тогда поддержите нас, поделитесь с друзьями и заглядывайте по рекламным ссылкам!

Источник

Киберфизическая система: некоторые подходы к формированию понятия

Распоряжением Правительства Российской Федерации от 19 августа 2020 г. No 2129-р была утверждена Концепция развития регулирования отношений в сфере технологий искусственного интеллекта и робототехники до 2024 года 1 (далее – Концепция). Этот документ представляет собой комплекс правовых перспектив, а также определяет направления работы в рамках создания многоаспектной правовой платформы в области робототехники и искусственного интеллекта.

Автор: Ильдар Бегишев, старший научный сотрудник Казанского инновационного университета им. В.Г. Тимирясова (ИЭУП), кандидат юридических наук

Отсутствие однозначного понимания содержания таких терминов, как «искусственный интеллект», «робот», «умный робот», «робототехника», «интеллектуальный агент» и т.д., приводит к терминологическим проблемам при формировании регулирования.

Учитывая прикладной характер применения этих технологий в самых разных областях, будет необходимо формулирование разных определений в зависимости от отрасли применения технологий искусственного интеллекта и робототехники. По этой причине в рассматриваемый в Концепции временной период предлагается по возможности избегать внедрения в законодательство Российской Федерации единого для всех отраслей нормативного определения указанных терминов. При этом крайне важно в данный период провести работу по построению и гармонизации онтологии предметной области силами экспертного сообщества и профильных технических комитетов при Федеральном агентстве по техническому регулированию и метрологии. Там, где это необходимо для целей определения предмета регулирования конкретных нормативных правовых актов, предлагается использовать определения, содержащиеся в документах по стандартизации, либо давать определения, актуальные для конкретной сферы регулирования.

Все это в равной степени относится и к понятию «киберфизическая система».

История происхождения самого термина КФС вызывает споры среди исследователей. Есть мнение, что первыми данное понятие ввели немецкие специалисты. Другие авторы считают, что термин КФС родом из США: уже в 1948 г. Н. Винер ввел в обиход термин «кибернетика», который и лег в основу последующего понятия – КФС.

Учитывая саму природу термина КФС, необходимо в первую очередь рассмотреть определения КФС, закрепленные в ряде зарубежных стандартов, нормативно-правовых документах, а также в исследованиях в рамках государственного финансирования (см. табл.).

Таким образом, можно заключить, что киберфизическая система – это интеллектуальная система, образованная взаимодействием вычислительного источника и физического объекта в киберпространстве.

Источник

Кибер физические системы что это

Кибер-физические системы (от англ. cyber-physical systems, или CPS) – бурно растущая информационно-технологическая концепция, которая уже обладает вполне внятным определением, но продолжает расширяться и охватывать все новые горизонты применения. Очевидно одно – такие системы состоят из связанных физических и вычислительных компонентов и функционируют на стыке реального и виртуального миров, обеспечивают их взаимодействие и эффективное управление самыми разными технологиями – умными городами, автоматизированными системами управления производством, энергетикой, Big Data, интернетом вещей IoT, искусственным интеллектом и другими.

Развитие отрасли высоких технологий позволяет создавать и развивать синергию вычислительных и физических компонентов, объединенных в единые системы, которые призваны эффективно и быстро решать все более широкий спектр социальных и технических задач, делая среду обитания человека проще, безопаснее и комфортнее. Smart City, умные здания, цифровизация производственного сектора – все это примеры реализованных кибер-физических систем, которые с каждым днем становятся все более сложными и универсальными.

Современный мир находится на грани качественного перехода от эпохи промышленного прогресса к новой кибер-эре развития человечества, ведь количество самых разнообразных гаджетов, цифровых систем и сервисов постоянно растет. Вслед за человеком, который уже вовсе не выпускает из рук смартфон, окружающий мир становится более цифровым: предметы, окружающие человека, все чаще снабжаются датчиками, NFC-метками, QR-кодами и прочими интерфейсами взаимодействия человека с интернет-пространством. Огромное количество устройств, которые мы используем ежедневно, способны хранить и обрабатывать информацию, и готовы к интеграции и взаимодействию с другими компонентами в рамках единой системы.

Развитие концепции интернета вещей (от англ. Internet of Things, или IoT), в рамках которой разные технические устройства взаимодействуют между собой в сети Интернет, окружает нас возрастающим количеством привычных бытовых приборов, которые оснащаются модулями связи 5gи WiFi.
Цифровые гиганты – один за другим – создают голосовых ассистентов на основе глубокого машинного обучения и искусственного интеллекта, в том числе и на российском рынке. Каждый месяц к Алисе от Яндекc обращается 45 миллионов человек, а продажи колонок с установленным голосовым помощником за 2019 год выросли в России в 8 раз.
Количество данных, которыми оперируют современные CPS, уже давно находится за пределами когнитивных способностей человека, наш вид просто не успевает эволюционировать со скоростью развития современного цифрового мира. От бытовой реализации в виде систем умного дома, которые следят за климатом, безопасностью, экономят электроэнергию и воду, управляют освещением, осуществляют видеонаблюдение и т.п., появление кибер-физических систем позволило шагнуть к целым умным зданиям и городам. CPS cегодня — это мощные многоуровневые системы, оперирующие Big Data – данными колоссальных объемов, полученными из Интернета, социальных сетей, поисковых систем и в результате анализа других источников, в том числе и оффлайн.

Искусственный интеллект, использующий глубокое машинное обучение, сегодня применяется при управлении инфраструктурой умных городов. Одним из первых этот статус был присвоен Сингапуру, где смарт-технологии широко используются в организации городского трафика, введены в эксплуатацию беспилотные транспортные средства, создана система взаимодействия с населением, включая особую национальную систему цифровой идентификации, фактически – электронных паспортов граждан. Дорожная сеть Лос-Анджелеса оснащена умными светофорами с камерами, фиксирующими уровень загруженности улиц, все они объединены в систему, регулирующую траффик, перенаправляя потоки транспорта. Компания Toshiba применяет принцип CPS в проекте виртуальной электростанции, используя IoT для координации работы нескольких электростанций, использующих разные источники энергии: солнечную, энергию ветра и воды, и систем хранения электроэнергии, распределяя ее в зависимости от уровня потребления. В немецком Кельне запущен масштабный проект Smart City Cologne, в центре внимания которого находятся «12 решений для умного города», среди которых энергоэффективные здания, умное распределение энергии, низкоэммисионное отопление, интегрированная умная система освещения, управление с помощью Big Data и решения для устойчивой городской мобильности.

Есть и иной подход, когда умные города застраиваются с нуля. Хорошим примером таких проектов является совместное детище Китая и Сингапура проект Тянцзинь Эко Сити или город Масдар в ОАЭ, в них стандарты умной энергетики, заложенные еще на стадии проекта, позволят кардинально сократить расходы за счет использования возобновляемых источников энергии и современных многоуровневых систем контроля ее распределения.

Кибер-физические системы внедряются повсеместно в технологически развитых регионах, и одним из самых активных векторов их развития становится умное производство. Современные производственные комплексы сокращают использование ручного труда и отдают предпочтение высокотехнологичным промышленным роботам, использованию сетевых информационных технологий, облачных сервисов хранения и обработки данных, к которым есть непрерывный сетевой доступ у каждого компонента системы в реальном времени, что позволяет корректировать производственные процессы буквально на лету, многократно снижая затраты на производство и повышая его эффективность. Прекрасный пример – знаменитый кейс компании Harley Davidson, где после внедрения стандартов умного производства цикл производства сократился до 6 часов с 21 дня, что в итоге повысило акционерную стоимость компании в 7 раз.

На смену эпохе автоматизации на уровне отдельных агрегатов и обособленных процессов приходит Индустрия 4.0, к которой неизбежно стремится современная промышленность, объединяя все элементы производства в единую цифровую экосистему, в которой слаженно взаимодействуют не только компоненты отдельно взятой фабрики, но и смежные производства, транспортные и сервисные компании. К примеру, компания Norfolk Southern запустила программу мониторинга ж/д транспорта и сокращения перегрузок, в результате применения которой компания планирует добиться экономии в 200 миллионов долларов за счет изменения скорости поездов всего на 1 милю в час в среднем.

Экспоненциальный рост доли высокотехнологичных решений, внедрение новейших стандартов широкополосных каналов передачи данных, развитие искусственного интеллекта и глубокого машинного обучения в ближайшие годы приведет к принципиальным изменениям в тенденциях развития производства, градостроительной индустрии, медицины, транспортных и энергетических систем и принципов государственного управления. И особую важность эти изменения имеют на фоне борьбы с мировой пандемией и ее экономическими и социальными последствиями.

Источник