Autoreferat. 1. Imię i Nazwisko Bartłomiej Płaczek

Transkrypt

1 Bartłomiej Płaczek 19 lutego 2016 r. Instytut Informatyki Wydział Informatyki i Nauki o Materiałach Uniwersytet Śląski ul. Będzińska Sosnowiec Autoreferat 1. Imię i Nazwisko Bartłomiej Płaczek 2. Posiadane dyplomy, stopnie naukowe/ artystyczne z podaniem nazwy, miejsca i roku ich uzyskania oraz tytułu rozprawy doktorskiej Magister inżynier, specjalność: inżynieria ruchu. Politechnika Śląska, Wydział Transportu (2002). Tytuł pracy magisterskiej: Model węzła drogowego z zastosowaniem automatów komórkowych. Doktor nauk technicznych, dyscyplina: informatyka, specjalność: przetwarzanie obrazów cyfrowych. Politechnika Śląska, Wydział Automatyki, Elektroniki i Informatyki (2005). Tytuł rozprawy doktorskiej: Metoda określania danych wejściowych dla automatu komórkowego na podstawie algorytmu rozpoznawania kształtu pojazdów. Rozprawa uzyskała wyróżnienie. 3. Informacje o dotychczasowym zatrudnieniu w jednostkach naukowych Adiunkt w Katedrze Systemów Informatycznych Transportu (od 2011 w Katedrze Inżynierii Ruchu) Wydział Transportu, Politechnika Śląska ( ). 1

2 Asystent w Instytucie Informatyki Wydział Informatyki i Nauki o Materiałach, Uniwersytet Śląski ( ). Adiunkt w Instytucie Informatyki Wydział Informatyki i Nauki o Materiałach, Uniwersytet Śląski (2014 obecnie). 4. Wskazanie osiągnięcia wynikającego z art. 16 ust. 2 ustawy z dnia 14 marca 2003 r. o stopniach naukowych i tytule naukowym oraz o stopniach i tytule w zakresie sztuki (Dz. U. nr 65, poz. 595 ze zm.) a) tytuł osiągnięcia naukowego Jednotematyczny cykl publikacji pt. Algorytmy selektywnego pozyskiwania danych z sieci sensorowych dla aplikacji sterujących ruchem obiektów b) autor/autorzy, tytuł/tytuły publikacji, rok wydania, nazwa wydawnictwa [1] Płaczek, B.: Selective data collection in vehicular networks for traffic control applications. Transportation Research Part C Emerging Technologies, vol. 23, pp , IF = (2012), 30 pkt MNiSW. [2] Płaczek, B.: A Traffic Model Based on Fuzzy Cellular Automata. Journal of Cellular Automata, 8 (3-4), pp , 2013.IF = (2013), 15 pkt MNiSW. [3] Płaczek, B., Bernaś, M.: Uncertainty-based information extraction in wireless sensor networks for control applications. Ad Hoc Networks, 14 C, pp , IF = (2014), 35 pkt MNiSW. [4] Płaczek, B.: A self-organizing system for urban traffic control based on predictive interval microscopic model. Engineering Applications of Artificial Intelligence, 34, pp , IF = (2014), 30 pkt MNiSW. [5] Płaczek, B.: Efficient data collection for self-organising traffic signal systems based on vehicular sensor networks. International Journal of Ad Hoc and Ubiquitous Computing, in press. IF = (2014), 15 pkt MNiSW. 2

3 [6] Bernaś, M., Płaczek, B.: Fully connected neural networks ensemble with signal strength clustering for indoor localization in wireless sensor networks. International Journal of Distributed Sensor Networks, Article ID , IF = (2014), 15 pkt MNiSW. [7] Płaczek, B., Bernaś, M.: Self-organizing mobility control in wireless sensor and actor networks based on virtual electrostatic interactions. Wireless Personal Communications, accepted paper. IF = (2014), 20 pkt MNiSW. [8] Płaczek, B.: Uncertainty-dependent data collection in vehicular sensor networks. in Kwiecień, A., Gaj, P., Stera, P.: Computer Networks. Communications in Computer and Information Science, vol. 291, pp , Springer-Verlag Berlin Heidelberg, pkt MNiSW. [9] Płaczek, B., Bernaś, M.: Optimizing data collection for object tracking in wireless sensor networks, in Kwiecień, A., Gaj, P., Stera, P. (eds.) Computer Networks. Communications in Computer and Information Science, vol. 370, pp , Springer-Verlag Berlin Heidelberg, pkt MNiSW. [10] Płaczek, B.: Communication-Aware Algorithms for Target Tracking in Wireless Sensor Networks, in Kwiecień, A., Gaj, P., Stera, P. (eds.) Computer Networks. Communications in Computer and Information Science, vol. 431, pp , Springer International Publishing, pkt MNiSW. [11] Płaczek, B., Bernaś, M.: Data Suppression Algorithms for Surveillance Applications of Wireless Sensor and Actor Networks. in Gaj, P., Kwiecień, A., Stera, P. (eds.) Computer Networks. Communications in Computer and Information Science, vol. 522, pp , Springer International Publishing, pkt MNiSW. [12] Bernaś, M., Płaczek, B.: Energy Aware Object Localization in Wireless Sensor Network Based on Wi-Fi Fingerprinting, in Gaj, P., Kwiecień, A., Stera, P. (eds.) Computer Networks. Communications in Computer and Information Science, vol. 522, pp , Springer International Publishing, pkt MNiSW. 3

4 c) omówienie celu naukowego ww. prac i osiągniętych wyników wraz z omówieniem ich ewentualnego wykorzystania Wprowadzenie Technologia bezprzewodowych sieci sensorowych umożliwia budowę systemów, w których dane pozyskiwane z węzłów sensorowych są wykorzystywane do sterowania ruchem obiektów. Przykładem takich rozwiązań są systemy sterowania ruchem węzłów mobilnych wyposażonych w odpowiednie sensory. Celem sterowania jest szybkie przemieszczenie węzła mobilnego do miejsca wystąpienia zdarzenia i rejestracja przebiegu tego zdarzenia. Innym przykładem mogą być systemy usprawniające sterowanie ruchem strumieni pojazdów w sieci drogowej. Efektywne wykorzystanie sieci sensorowych (zwłaszcza bezprzewodowych) w systemach sterowania ruchem obiektów wymaga minimalizacji zbioru danych przesyłanych pomiędzy węzłami sieci sensorowej. Konieczność selektywnego pozyskiwania danych wynika z ograniczonej przepustowości medium transmisyjnego, ograniczonych zasobów energii zasilającej, pamięci operacyjnej i mocy obliczeniowej węzłów sieci oraz z potrzeby przetwarzania danych w czasie rzeczywistym. Selekcja transmitowanych danych umożliwia skrócenie czasu przesyłania danych pomiędzy węzłami sieci. Czas potrzebny na pozyskanie danych jest istotnym czynnikiem, który decyduje o efektywności sterowania. Odpowiednia selekcja danych sprawia, że ilość danych przesyłanych w sieci jest mniejsza i nie pogarsza jakości sterowania. Mniejszy ruch sieciowy powoduje, że wydłużony zostaje także czas życia węzłów sensorowych zasilanych za pomocą baterii. Celem naukowym badań, których wyniki przedstawione zostały w cyklu publikacji, było opracowanie nowych algorytmów umożliwiających selekcję danych gromadzonych za pomocą sieci sensorowych. Algorytmy te znajdują zastosowanie w systemach sterujących ruchem obiektów. Zaproponowane algorytmy pozwalają znacznie ograniczyć ilość danych przesyłanych z węzłów sensorowych do węzła sterującego i zapewniają wysoką efektywność procedur sterowania. Podstawą nowych algorytmów selektywnego pozyskiwania danych z sieci sensorowych jest oryginalna autorska metoda oceny niepewności decyzji. Na podstawie zaproponowanego modelu niepewności określa się, czy zgromadzone dane bieżące wystarczają do podjęcia 4

5 wiarygodnej decyzji sterującej. W przypadku, gdy zajdzie potrzeba pozyskania nowych danych, dokonywany jest automatyczny wybór węzłów sensorowych, z których powinny zostać dostarczone dane do węzła sterującego. Zaproponowana metoda oceny niepewności decyzji została wykorzystana do opracowania algorytmów selektywnego pozyskiwania danych z sieci sensorowych w systemach sterowania ruchem drogowym oraz sterowania węzłami mobilnymi. W przeprowadzonych badaniach rozpatrywano rozwiązania wykorzystujące bezprzewodowe sieci sensorowe (Wireless Sensor Networks WSN), a w szczególności sieci Wireless Sensor and Actor Networks (WSAN), w których funkcjonuje wiele węzłów mobilnych wyposażonych w elementy wykonawcze (tzw. aktorów) oraz sieci, których węzły stanowią pojazdy (Vehicular Sensor Networks VSN). Ogólną klasyfikację opracowanych algorytmów zaprezentowano na rys. 1. W niniejszym autoreferacie węzły mobilne sieci WSAN, które mogą realizować określone czynności za pomocą elementów wykonawczych, nazywane są węzłami wykonawczymi. Algorytmy selektywnego pozyskiwania danych dla sieci WSN dla sieci VSN dla sieci WSAN sterowanie ruchem węzła mobilnego sterowanie ruchem pojazdów sterowanie ruchem węzłów wykonawczych na skrzyżowaniu w sieci drogowej Rys. 1. Klasyfikacja algorytmów selektywnego pozyskiwania danych ze względu na ich przeznaczenie Rozwiązanie opisanego powyżej zadania zostało przedstawione w cyklu publikacji, który stanowi osiągnięcie naukowe wskazane w punkcie 4b niniejszego autoreferatu. 5

6 Przedstawiony zestaw publikacji obejmuje 7 pozycji opublikowanych w czasopismach z listy JCR [1-7] i 5 rozdziałów w periodykach serii CCIS (Wydawnictwo Springer) indeksowanych w bazie Web of Science [8-12]. Łączny współczynnik oddziaływania (tzw. Impact Factor) tych prac, określony zgodnie z datą publikacji 1, wynosi 7,845 (6,805 z uwzględnieniem wkładu procentowego w przygotowanie pracy), natomiast łączna liczba punktów, według punktacji MNiSW, wynosi 220. Publikacje te, według bazy Web of Science, łącznie uzyskały 37 cytowań, w tym 17 bez autocytowań. Charakterystyka badań i uzyskanych wyników Podstawę zaproponowanych algorytmów selektywnego pozyskiwania danych z sieci sensorowych stanowią następujące założenia: sterowanie odbywa się poprzez podejmowanie decyzji sterujących w kolejnych krokach czasowych, do selektywnego pozyskiwania danych z sieci sensorowej wykorzystuje się model, który umożliwia predykcję stanu obiektu sterowania, jeżeli aktualne dane wejściowe nie są pozyskiwane z sieci sensorowej, wówczas decyzje sterujące podejmuje się na podstawie wyników predykcji stanu obiektu sterowania, uaktualnienie danych z sieci sensorowej jest konieczne wtedy, kiedy decyzja podjęta na podstawie wyników predykcji stanu obiektu sterowania przekracza określony próg niepewności, selekcja danych zapewnia, że w transmisji informacji z węzłów sensorowych brane są pod uwagę wyłącznie te dane, które mają wpływ na decyzję sterującą. Opracowanie poszczególnych algorytmów selektywnego pozyskiwania danych z sieci WSN, VSN i WSAN wymagało zdefiniowana: modelu obiektu sterowania, procedur predykcji, procedur podejmowania decyzji sterujących na podstawie niepewnych wyników predykcji, oceny niepewności decyzji sterujących oraz wyboru węzłów sensorowych wysyłających dane do węzła sterującego. Formalny opis powyższych założeń oraz definicje dotyczące zaproponowanej metody przedstawiono szczegółowo w pracy [3]. Metoda umożliwia ilościową ocenę niepewności decyzji 1 W przypadku prac opublikowanych w 2015 r. i będących w druku uwzględniono Impact Factor z 2014 r. 6

7 sterującej. Decyzja sterująca polega na wyborze akcji sterującej a, dla której wartość F a, t funkcji celu f jest najmniejsza. Wartość funkcji celu zdefiniowana jest zgodnie ze wzorem: F a, t = f (a, S t ), (1) gdzie f jest funkcją celu a S t oznacza stan obiektu sterowania w chwili t. Stan obiektu S t jest określany w sposób nieprecyzyjny na podstawie danych pozyskiwanych selektywnie z sieci sensorowej. Do wyznaczenia stanu obiektu wykorzystywany jest model obiektu sterowania m: S t = m[s t - 1, D(W t )], (2) gdzie S t - 1 oznacza stan obiektu sterowania określony w poprzednim kroku czasowym, W t jest zbiorem wybranych węzłów sensorowych, z których dane są przesyłane do węzła sterującego w kroku t, D(W t ) oznacza zbiór danych pozyskanych z wybranych węzłów sensorowych. Do opisu stanu obiektu sterowania i wartości funkcji celu wykorzystuje się tzw. ziarna (granule) informacji, które mogą być reprezentowane za pomocą zbiorów, zbiorów rozmytych, przedziałów liczbowych lub rozkładów prawdopodobieństwa. W niniejszym opisie ziarna informacji są oznaczone wielkimi literami i pogrubioną czcionką. W przypadku dokonywania wyboru pomiędzy dwiema alternatywnymi akcjami sterującymi a' i a", akcja a' może zostać wybrana do realizacji zadania, jeżeli spełniony jest warunek: F a', t F a", t. (3) Ponieważ wartości funkcji celu określone są nieprecyzyjnie za pomocą ziaren informacji, stwierdzenie czy warunek (3) został spełniony jest obarczone niepewnością. W związku z powyższym, w zaproponowanej metodzie wykorzystuje się podejście probabilistyczne, które zakłada, że akcja a' może zostać wybrana do realizacji, jeżeli zachodzi następująca nierówność: P(F a', t F a", t ) 0,5, (4) gdzie P oznacza prawdopodobieństwo spełnienia warunku. Poziom pewności decyzji (CON) wyboru akcji a' został zdefiniowany jako różnica prawdopodobieństw: CON(F a', t F a", t ) = P(F a', t F a", t ) P(F a', t > F a", t ). (5) Ponieważ P(F a', t F a", t ) + P(F a', t > F a", t ) = 1, (6) to: CON(F a', t F a", t ) = 1 2 P(F a', t > F a", t ). (7) 7

8 Natomiast niepewność decyzji (UNC) jest definiowana następująco: UNC(F a', t F a", t ) = 1 CON(F a', t F a", t ), (8) stąd: UNC(F a', t F a", t ) = 2 P(F a', t > F a", t ). (9) W przypadku, gdy liczba dostępnych akcji sterujących jest większa od dwóch, niepewność decyzji o wyborze akcji sterującej a* ze zbioru wszystkich dostępnych akcji sterujących A wyznaczana jest na podstawie formuły: UNC[F a*, t F a, t a (A \ a*)] = max{unc(f a*, t F a, t ): a (A \ a*)}. (10) Zaproponowana metoda pozwala ocenić wpływ wyboru węzłów sensorowych dostarczających dane (zbiór W t ) na niepewność decyzji sterującej. Metoda ta posłużyła do opracowania algorytmów umożliwiających wybór węzłów sensorowych, z których dane muszą być dostarczone, aby ograniczyć niepewność podejmowanej decyzji do wymaganego poziomu. Zaproponowano szereg algorytmów selektywnego pozyskiwania danych z sieci WSN dla sterowania ruchem węzła mobilnego [3, 9 11]. Problem sterowania węzłem mobilnym polega na wskazaniu kierunku ruchu, który pozwala na dotarcie węzła mobilnego w jak najkrótszym czasie do celu. W pracach [3, 9, 10] przedstawiono autorskie algorytmy, które dokonują selekcji przesyłanych do węzła mobilnego danych dotyczących pozycji ruchomego celu. Opracowane algorytmy można podzielić na dwie grupy. Algorytmy należące do pierwszej grupy [3, 9] są realizowane w węźle mobilnym. Oznacza to, że węzeł mobilny określa, czy nowe dane są potrzebne do podjęcia decyzji sterującej i dokonuje wyboru węzłów sensorowych, które dostarczają te dane. Podejście heurystyczne do selekcji danych w sieciach WSN dla sterowania węzłem mobilnym zostało przedstawione w pracy [9]. W pracy [3] zaproponowano trzy różne algorytmy wykorzystujące metodę opartą na ocenie niepewności decyzji, łączące podejście heurystyczne oraz podejście bazujące na wyznaczaniu węzła pośredniczącego (beacon node). Druga grupa obejmuje algorytmy realizowane przez węzły sensorowe są to tzw. algorytmy supresji danych [10, 11]. Zgodnie z algorytmami supresji, węzły sensorowe analizują zarejestrowane dane dotyczące aktualnej pozycji celu i decydują czy te dane zostaną przesłane do węzła mobilnego, który podąża za celem. W pracy [10] zaproponowano algorytmy supresji dla sieci WSN o typowej topologii, gdzie dane z węzłów sensorowych są transmitowane do 8

9 pojedynczego węzła mobilnego. Praca [11] prezentuje algorytmy supresji przeznaczone dla sieci WSAN, w których funkcjonuje wiele mobilnych węzłów wykonawczych (tzw. aktorów). Problem sterowania ruchem węzłów wykonawczych dla sieci WSAN został opisany w pracy [7]. Zaproponowano algorytm, który pozwala odpowiednio rozmieścić węzły wykonawcze w nadzorowanym obszarze, tak aby mogły one szybko zbliżać się do wykrywanych celów. Informacja o pozycji celów przesyłana jest do węzłów wykonawczych z węzłów sensorowych. Zgodnie z opracowanym algorytmem, każdy węzeł wykonawczy autonomicznie decyduje o kierunku swojego ruchu na podstawie informacji o pozycji sąsiednich węzłów wykonawczych i celów. Dzięki temu transmisja danych pomiędzy sąsiednimi węzłami wykonawczymi odbywa się tylko na odległość jednego przeskoku. W eksperymentach symulacyjnych przeprowadzono ocenę efektywności opracowanych algorytmów i porównano je z algorytmami opisanymi w literaturze. Ocenie podlegała efektywność sterowania węzłem mobilnym oraz koszt transmisji danych. Jako miarę efektywności sterowania uwzględniono czas od chwili wykrycia celu przez węzeł sensorowy, do chwili, kiedy cel jest w zasięgu działania węzła mobilnego, co oznacza, że węzeł ten może podjąć odpowiednią czynność wobec śledzonego celu. Do oceny kosztu transmisji danych wykorzystano liczbę przesyłanych pakietów, liczbę przeskoków (hop count) oraz łączny czas aktywności węzłów sensorowych. Dokonano estymacji optymalnych wartości parametrów opracowanych algorytmów. Określono zależność pomiędzy ilością transmitowanych danych a efektywnością sterowania. Uzyskane wyniki eksperymentów pozwoliły na ocenę zalet zaproponowanych algorytmów i ich przewagi nad algorytmami opisanymi w literaturze. Wykazano, że opracowane algorytmy umożliwiają znaczną redukcję ilości transmitowanych danych (kosztu transmisji) bez obniżenia efektywności sterowania węzłem mobilnym. Problem lokalizacji węzła mobilnego w sieci WSN został opisany w pracach [6, 12]. Przedstawione w tych publikacjach metody lokalizacji węzła wykorzystują technikę RSSI fingerprinting. Zaproponowane podejście wymaga wyznaczenia siły sygnału radiowego (RSSI) na analizowanym obszarze. W tym celu budowana jest odpowiednia mapa wskaźnika RSSI. Rozwiązanie opisane w pracy [12] zakłada, że mapa RSSI jest tworzona i aktualizowana na podstawie danych przesyłanych ze stacjonarnych węzłów sensorowych sieci WSN. Opracowano algorytm aktualizacji mapy RSSI, który ogranicza liczbę transmitowanych danych i obniża 9

10 zużycie energii węzłów sensorowych. Skuteczność zaproponowanego rozwiązania została potwierdzona eksperymentalnie w warunkach rzeczywistych. W pracy [6] zaproponowano metodę lokalizacji węzła mobilnego z zastosowaniem zespołu sztucznych sieci neuronowych. Zadaniem poszczególnych sieci neuronowych jest wyznaczenie pozycji węzła na podstawie zarejestrowanych wartości RSSI w wydzielonych regionach rozpatrywanego obszaru. Obszar, na którym mają być lokalizowane węzły mobilne, dzielony jest na regiony metodą klasteryzacji mapy RSSI. Dla każdego regionu trenowana jest odrębna sieć neuronowa. Lokalizacja węzła jest wyznaczana za pomocą algorytmu k najbliższych sąsiadów (k-nn), gdzie elementami sąsiednimi są wskazania sieci neuronowych. Zbadano dokładność lokalizacji dla różnych typów sieci neuronowych i różnych algorytmów klasteryzacji. Określono wpływ długości okresu, w którym rejestrowane były dane należące do zbioru uczącego, na dokładność lokalizacji. Błąd lokalizacji i czas potrzebny do wyznaczenia pozycji węzła porównano z innymi rozwiązaniami anonsowanymi w literaturze. Wyniki eksperymentów potwierdziły przewagę opracowanej metody nad innymi rozwiązaniami. Badano również możliwości zastosowania sieci sensorowych do sterowania ruchem drogowym. Wykorzystując opisaną powyżej zasadę oceny niepewności decyzji, opracowano szereg algorytmów selektywnego pozyskiwania danych z sieci VSN [1, 5, 8]. W rozpatrywanych sieciach węzłami sensorowymi są pojazdy wyposażone w odpowiednie czujniki. Pojazdy przesyłają dane do węzła sterującego sygnalizacją świetlną na skrzyżowaniu dróg. W pracy [1] rozwiązano problem selekcji danych dla sterowania sygnalizacją świetlną na pojedynczym skrzyżowaniu. W publikacjach [5, 8] przedstawiono algorytmy pozyskiwania danych dla samoorganizujących się systemów sterowania sygnalizacją świetlną na wielu skrzyżowaniach w obszarze sieci drogowej. Charakterystyczną cechą rozpatrywanych systemów samoorganizujących się jest możliwość uzyskania efektu koordynacji sygnalizacji świetlnych dla sąsiadujących skrzyżowań (tzw. zielona fala) na zasadzie emergencji, bez konieczności przekazywania danych do sterownika centralnego. W tego typu systemach dane z pojazdów muszą być przesyłane do lokalnego węzła sterującego, znajdującego się na najbliższym skrzyżowaniu. Oznacza to, że węzeł sterujący na skrzyżowaniu może pozyskiwać dane wyłącznie z pojazdów, które bezpośrednio zbliżają się do tego skrzyżowania. Możliwości oferowane przez samoorganizujące 10

11 się systemy sterowania pozwalają na efektywne wykorzystanie bezprzewodowego medium transmisyjnego w sieciach VSN. Do tej pory w literaturze rozpatrywano samoorganizujące się systemy sterowania ruchem, które wykorzystują zagregowane dane pozyskiwane z tradycyjnych detektorów pojazdów. W pracy [8] zaproponowano wykorzystanie sieci VSN, jako źródła danych dla samoorganizującego się systemu sterowania ruchem drogowym, opisanego przez Lämmera i Helbinga 2. Przedstawiono również odpowiednie algorytmy selektywnego pozyskiwania danych z pojazdów. W publikacji [4] przedstawiono nową koncepcję samoorganizującego się systemu sterowania ruchem, która uwzględnia specyfikę sieci VSN i pozwala skutecznie wykorzystać szczegółowe dane pochodzące od uczestników ruchu drogowego pojedynczych pojazdów (np. pozycja, prędkość). Rozwinięciem metody opisanej w pracy [4] było opracowanie nowych algorytmów selekcji danych, które zaimplementowano w zaproponowanym systemie sterowania [5]. W badaniach uwzględniono algorytmy, w których selekcja danych jest uzależniona od różnego rodzaju niepewności (niepewności decyzji sterującej, niepewności odwzorowania aktualnego stanu obiektu sterowania i niepewności predykcji efektywności sterowania). Zarówno opracowane algorytmy selektywnego pozyskiwania danych z sieci VSN [1, 5, 8], jak również zaproponowany samoorganizujący się system sterowania ruchem drogowym [4], bazują na oryginalnym, nowo opracowanym modelu ruchu drogowego, który został przedstawiony w publikacji [2]. Opracowanie modelu ruchu było konieczne, aby umożliwić odpowiednie odwzorowanie danych gromadzonych w sieci VSN oraz uwzględnić niepewność informacji wynikającą z selektywnego pozyskiwania tych danych. W zaproponowanym podejściu do opisu strumienia pojazdów użyty został rozmyty automat komórkowy. Pozycje pojazdów i wyniki symulacji ruchu reprezentowane są za pomocą zbiorów rozmytych lub przedziałów liczbowych. Dzięki temu, przy pomocy opracowanego modelu można dokonać oceny niepewności decyzji sterującej. Skuteczność opracowanych algorytmów była badana w testach symulacyjnych. Zbadano wpływ selektywnego pozyskiwania danych z sieci VSN na efektywność systemów sterowania ruchem drogowym. W trakcie eksperymentów zaproponowane rozwiązania zostały porównane 2 Lämmer, S., Helbing, D.: Self-control of traffic lights and vehicle flows in urban road networks. J. Stat. Mech., (2008) 11

12 z rozwiązaniami opisanymi w literaturze. Analizie poddano średni czas zatrzymania pojazdów na skrzyżowaniach, który jest jedną z ważnych miary efektywności sterowania ruchem drogowym. Ponadto, wyznaczono liczbę zapytań kierowanych do sieci VSN oraz liczbę pakietów przesyłanych z pojazdów do węzła sterującego. Miary te wykorzystano do oceny kosztu transmisji danych w sieci VSN. Uzyskane wyniki eksperymentów potwierdziły, że proponowane rozwiązania umożliwiają ograniczenie ilości danych przesyłanych w sieci VSN oraz zapewniają wysoką efektywność sterowania ruchem drogowym. Opracowane algorytmy selekcji danych w sieci VSN pozwalają na znaczne ograniczenie ruchu sieciowego (mierzone liczbą przesłanych pakietów w jednostce czasu) w porównaniu z technikami opisanymi w literaturze. Wykazano również, że dzięki wykorzystaniu danych, które opisują parametry poszczególnych pojazdów, możliwa jest poprawa efektywności samoorganizującego się systemu sterowania ruchem drogowym. Warunkiem uzyskania takiej poprawy jest użycie odpowiedniego mikroskopowego modelu ruchu. Zaobserwowano również, że poprawa efektywności sterowania ruchem drogowym jest możliwa dzięki blokowaniu akcji sterujących w sytuacji, gdy niepewność decyzji przekracza określoną wartość. Zestawienie i krótki opis opracowanych algorytmów znajduje się w Tabeli 1. Tabela 1. Zestawienie opracowanych algorytmów Publikacja [1] [2] Opracowane algorytmy Algorytm selektywnego pozyskiwania danych z sieci VSN dla sterowania ruchem drogowym na pojedynczym skrzyżowaniu. Zgodnie z zaproponowanym algorytmem, żądanie przesłania danych z pojazdów do węzła sterującego następuje wtedy, kiedy niepewność decyzji sterującej przekracza określony próg. Niepewność decyzji ustalana jest w symulacyjnym modelu ruchu drogowego [2] bazującym na rozmytych automatach komórkowych. Algorytm symulacji ruchu drogowego za pomocą rozmytych automatów komórkowych. Algorytm umożliwia prognozowanie efektowności sterowania ruchem drogowym na podstawie analizy selektywnie pozyskiwanych danych z sieci VSN i ocenę 12

13 [3] [4] [5] wpływu selekcji danych wejściowych na niepewność wyników predykcji. Algorytm został zastosowany w pracach [1, 4, 5, 8]. Algorytmy selektywnego pozyskiwania danych z sieci WSN dla sterowania ruchem węzła mobilnego. W opracowanych algorytmach potrzeba pobierania danych z węzłów sensorowych określana jest na podstawie oczekiwanego spadku niepewności decyzji sterującej Uwzględniono dwie strategie odpytywania węzłów sensorowych. Strategia wyczerpująca polega na odpytywaniu wszystkich węzłów sensorowych na obszarze, w którym aktualnie może znajdować się śledzony cel. Obszar ten jest wyznaczany poprzez predykcję pozycji celu. Strategia minimalna polega na wyborze minimalnej liczy węzłów sensorowych, niezbędnych do tego, aby niepewność decyzji sterującej była najmniejsza. Algorytmy oznaczono w publikacji numerami 3-5. Algorytm 3 wykorzystuje strategię wyczerpującą. Algorytm 4 wykorzystuje strategię minimalną. W algorytmie 5 przyjęto założenie, że dane są przesyłane z węzłów sensorowych za pośrednictwem węzła pośredniczącego. Algorytm podejmowania decyzji na podstawie danych z sieci VSN dla samoorganizującego się systemu sterowania ruchem drogowym. Dane z sieci VSN zostają odwzorowane za pomocą rozmytych automatów komórkowych a następnie, na bazie algorytmu symulacji [2], realizowana jest predykcja efektywności sterowania ruchem. Na tej podstawie podejmowane są decyzje sterujące. Za pomocą opisanego algorytmu można rozpoznać i wyeliminować decyzje niepewne, co ma wpływ na poprawę efektywności sterowania. Algorytmy selektywnego pozyskiwania danych z sieci VSN dla samoorganizującego się systemu sterowania ruchem drogowym. Opracowane algorytmy są dedykowane dla węzłów sterujących w samoorganizującym się systemie sterowania ruchem drogowym [4]. Umożliwiają one wybór pojazdów, z których dane będą przydatne dla celów podejmowania decyzji sterujących. W publikacji algorytmy zostały oznaczone numerami 1-4. Algorytm 1 określa, czy w danym kroku potrzebne są nowe dane 13

14 [6] [7] [8] z pojazdów. Informacja ta jest uzyskiwana na podstawie analizy niepewności decyzji sterującej. Dodatkowo, algorytm uwzględnia niepewność predykcji pozycji pojazdu. Algorytmy 2 i 3 realizują selektywne pozyskiwanie danych z pojazdów w oparciu o metodę oceny niepewności predykcji pozycji pojazdu i metodę supresji czasowej. Algorytm 4 uzależnia selekcję pozyskiwanych danych od oceny niepewności predykcji pozycji i strat czasu pojazdów. Algorytm lokalizacji węzła mobilnego w sieci WSN z wykorzystaniem zespołu sieci neuronowych. Aplikacje sterujące ruchem węzłów mobilnych bądź węzłów wykonawczych wymagają danych dotyczących bieżącej lokalizacji poruszającego się obiektu. Zaproponowany algorytm umożliwia wykorzystanie zespołu sieci neuronowych do lokalizacji węzła mobilnego wewnątrz budynków. Algorytm bazuje na metodzie RSSI fingerprinitng. Monitorowany obszar jest dzielony na regiony poprzez klasteryzację mapy wskaźników RSSI. Dla każdego regionu trenowana jest odrębna sieć neuronowa. Aby określić lokalizację węzła mobilnego realizowana jest fuzja wyników uzyskanych z wielu sieci neuronowych. Algorytm sterowania ruchem mobilnych węzłów wykonawczych w sieci WSAN. Algorytm pozwala odpowiednio rozmieścić węzły wykonawcze w nadzorowanym obszarze tak, aby mogły one szybko zbliżać się do wykrywanych celów. Informacje o pozycji celów są przekazywane do węzłów wykonawczych z węzłów sensorowych. Każdy węzeł wykonawczy autonomicznie decyduje o kierunku swojego ruchu na podstawie informacji o pozycji sąsiednich węzłów wykonawczych i celów. Algorytm bazuje na modelu wirtualnych sił elektrostatycznych, które działają między węzłami zgodnie z prawem Coulomba. Rozlokowanie węzłów wykonawczych jest dynamicznie dostosowywane do rozmieszczenia celów poprzez zmiany wirtualnych ładunków elektrostatycznych, które są przypisane do węzłów. Algorytmy selektywnego pozyskiwania danych z sieci VSN dla zdecentralizowanego systemu sterowania ruchem w sieci drogowej. Algorytmy są przeznaczone dla zdecentralizowanego systemu sterowania ruchem drogowym, którego model został przedstawiony przez Lämmera i Helbinga. 14

15 [9] [10] [11] Algorytm 1 zakłada, że w każdym kroku sterowania dane muszą być pozyskane z pojazdów, których pozycja nie może być jednoznacznie określona na podstawie modelu ruchu. W algorytmie 2 nowe dane zbierane są tylko wówczas, gdy niepewność predykcji czasu rozładowania kolejki oczekujących na przejazd pojazdów przekracza ustalony próg krytyczny. Algorytm 3 do selektywnego pozyskiwania danych wykorzystuje metodę oceny niepewności decyzji sterującej. Heurystyczny algorytmy selektywnego pozyskiwania danych z sieci WSN dla sterowania ruchem węzła mobilnego. Wprowadzone reguły heurystyczne bazują na założeniu, że węzeł mobilny nie wymaga precyzyjnej informacji o bieżącej pozycji ruchomego celu, jeżeli jego odległość od węzła mobilnego jest duża. Gdy węzeł mobilny znajduje się blisko celu, wówczas pozyskiwane są dodatkowe dane, które pozwalają określić aktualną pozycję celu z wymaganą dokładnością. Algorytmy supresji danych w sieci WSN dla sterowania ruchem węzła mobilnego. Algorytmy są realizowane przez węzły sensorowe i pozwalają tym węzłom określić czy zarejestrowana pozycja celu musi zostać przesłana do węzła mobilnego. Algorytm 1 zakłada, że informacja o lokalizacji celu musi zostać przesłana do węzła mobilnego, jeżeli może to spowodować zmianę decyzji sterującej (kierunku ruchu węzła). W algorytmie 2 decyzja o transmisji danych jest podejmowana przez węzeł sensorowy na podstawie analizy probabilistycznej, która dotyczy prawdopodobieństwa poprawy efektywności sterowania węzłem mobilnym, obliczonego na podstawie informacji o aktualnej pozycji celu. Algorytm supresji danych w sieci WSAN dla sterowania ruchem węzłów wykonawczych. Algorytm umożliwia selektywne przesyłanie danych o lokalizacji wielu wykrytych celów z węzłów sensorowych do wielu węzłów wykonawczych. Węzeł wykonawczy wybiera cel, w którego kierunku będzie się przemieszczał. Algorytm bazuje na założeniu, że dane o lokalizacji celu muszą być wysłane do węzła wykonawczego tylko wtedy, kiedy mają wpływ na wybór dokonywany przez ten węzeł. Każdy nowy cel zgłaszany jest do jednego węzła wykonawczego. Uwzględniono dwie metody wyboru węzła wykonawczego, do którego węzeł 15

16 [12] sensorowy wysyła dane o lokalizacji celu. Metoda 1 zakłada, że wybierany jest węzeł wykonawczy, dla którego liczba dotychczas zgłoszonych celów jest najmniejsza. W przypadku metody 2 wybierany jest węzeł wykonawczy, którego odległość od celu jest najmniejsza. Algorytm selektywnego pozyskiwania danych z sieci WSN dla aktualizacji mapy RSSI w systemie lokalizacji. Praca dotyczy wykorzystania bezprzewodowej sieci sensorowej do aktualizacji mapy RSSI w systemie lokalizacji obiektów wewnątrz budynków. Zaproponowane rozwiązanie ogranicza liczbę przesyłanych pakietów i zmniejsza zużycie energii wydatkowanej na transmisję danych. Węzły sensorowe monitorują zmiany wskaźników RSSI i decydują czy aktualne wartości wskaźników muszą być przesłane do stacji bazowej, która przechowuje aktualną mapę RSSI. Decyzje o transmisji danych (aktualizacji) są podejmowane na podstawie analizy wskaźników RSSI rejestrowanych przez sąsiednie węzły sensorowe. Podsumowanie W ramach podstawowego osiągnięcia naukowego rozwiązano problem efektywnego wykorzystania bezprzewodowych sieci sensorowych, jako źródeł danych dla systemów sterujących ruchem obiektów. Cel ten został osiągnięty dzięki wprowadzeniu selekcji danych. Skuteczność selekcji danych wynika z faktu, że w wielu przypadkach decyzje sterujące mogą być podejmowane na podstawie wyników predykcji zamiast rzeczywistych danych rejestrowanych przez węzły sensorowe. Zaproponowane podejście pozwala ocenić czy wyniki predykcji są wystarczające do podjęcia właściwej decyzji sterującej. Do najważniejszych osiągnięć naukowych uzyskanych w ramach prowadzonych badań i przedstawionych w cyklu publikacji należą: zaproponowanie zasad oceny niepewności decyzji sterującej, opracowanie algorytmów opartych na ocenie niepewności, które umożliwiają selekcję danych, co skraca czas podjęcia decyzji sterującej na podstawie danych pozyskiwanych z sieci sensorowej, eksperymentalne potwierdzenie skuteczności i efektywności opracowanych algorytmów, 16

17 opracowanie procedur oceny niepewności decyzji sterującej, niepewności predykcji i niepewności odwzorowania stanu obiektu sterowania dla sterowania węzłami mobilnymi i sterowania ruchem drogowym, zaproponowanie modelu ruchu drogowego, który bazuje na rozmytych automatach komórkowych i służy do predykcji efektywności sterowania na podstawie selektywnie pozyskiwanych danych, zaproponowanie samoorganizującego się systemu sterowania ruchem w sieci drogowej, który umożliwia efektywne wykorzystanie danych gromadzonych w sieci VSN, wykazanie związków pomiędzy niepewnością decyzji sterującej, a efektywnością aplikacji sterujących ruchem obiektów, zidentyfikowanie zależności pomiędzy wskaźnikami kosztu transmisji danych (liczbą przesyłanych pakietów, liczbą zapytań, liczbą przeskoków, czasem aktywności węzłów sensorowych), a efektywnością sterowania dla różnych algorytmów pozyskiwania danych z sieci sensorowych. 5. Omówienie pozostałych osiągnięć naukowo - badawczych Przed uzyskaniem stopnia doktora koncentrowałem się na badaniach dotyczących metod przetwarzania i analizy obrazów cyfrowych w drogowych systemach detekcji i klasyfikacji pojazdów. Badania w tym zakresie kontynuowałem również po uzyskaniu stopnia doktora. Rezultatem prowadzonych prac było opracowanie algorytmów umożliwiających detekcję, klasyfikację, ocenę prędkości oraz wyznaczanie trajektorii ruchu pojazdów [20, 22, 24]. W latach brałem udział w realizacji projektu wdrożeniowego pt. "Moduły wideo-detektorów pojazdów ZIR-WD do sterowania i nadzoru ruchu drogowego" w ramach Sektorowego Programu Operacyjnego (SPO WKP) Transfer Technologii do Małych i Średnich Przedsiębiorstw". Jestem współautorem algorytmu wideo-detekcji pojazdów, który został zaimplementowany w prototypie wideo-detektora ZIR-WD / WD-P. Urządzenie zostało wdrożone do produkcji i znajduje się w ofercie Zakładu Inżynierii Ruchu - Systemy Sterowania Ruchem w Bytomiu. Urządzenie zostało zainstalowane w kilkunastu różnego typu węzłach drogowych w kraju. Jest nadal produkowane i instalowane szczególnie na obszarach 17

18 województwa śląskiego. Szczegółowe dane dotyczące tego produktu można znaleźć na stronie internetowej Zakładu Inżynierii Ruchu: Innym ważnym obszarem mojej aktywności naukowej po uzyskaniu stopnia doktora były implementacje metod i narzędzi sztucznej inteligencji w transporcie. Prowadzone badania dotyczyły metod modelowania ruchu drogowego z zastosowaniem automatów komórkowych, zbiorów rozmytych i przybliżonych [16, 21, 23], sterowania ruchem drogowym [18, 19] i prognozowania natężeń ruchu [13]. W związku z realizowanymi badaniami pełniłem rolę konsultanta naukowego rozprawy doktorskiej pana mgr-a inż. Pawła Gnyli pt. "Metoda przybliżonego modelowania sieci transportowej z zastosowaniem rozmytego opisu automatów komórkowych". Obrona rozprawy odbyła się w 2012 r. na Wydziale Automatyki, Elektroniki i Informatyki Politechniki Śląskiej. Promotor rozprawy: prof. dr hab. inż. Jan Piecha, Politechnika Śląska. Od 2013 r. współpracuję z Katedrą Fizjologii i Katedrą Dietetyki Śląskiego Uniwersytetu Medycznego w Katowicach. W ramach tej współpracy kontynuuję badania z dziedziny przetwarzania obrazów cyfrowych. Opracowałem szereg algorytmów umożliwiających automatyczną analizę i klasyfikację medycznych obrazów mikroskopowych [14, 15, 17]. Badania dotyczące zastosowań metod klasyfikacji oraz przetwarzania i analizy obrazów cyfrowych wpisują się w tematykę prac prowadzonych w Zakładzie Systemów Komputerowych Instytutu Informatyki UŚ, w którym pracuję. Obecnie pełnię rolę promotora pomocniczego w przewodzie doktorskim mgr-a inż. Tomasza Orczyka pt. "Klasyfikacja danych niekompletnych w oparciu o komitet klasyfikatorów". Praca prowadzona jest pod kierunkiem dr-a hab. Piotra Porwika. Jestem autorem 53 publikacji naukowych (45 po uzyskaniu stopnia doktora) i 1 podręcznika akademickiego. W moim dorobku publikacyjnym znajduje się 9 artykułów w czasopismach z listy JCR. Sumaryczny Impact Factor prac opublikowanych po uzyskaniu stopnia doktora wynosi 9,152 (7,546 uwzględniając udział procentowy). Natomiast łączna liczba punktów MNiSW jest równa 420 (330 uwzględniając udział procentowy). Liczba cytowań wskazywanych w bazie Web of Science wynosi 57 (27 bez autocytowań) a wskaźnik Hirsha według wskazań tej bazy jest równy 5. Poniżej przedstawiam wykaz najważniejszych publikacji nienależących do podstawowego zbioru prac zgłoszonych jako podstawowe osiągnięcie naukowe. Prace te mieszczą się w obszarze, będącym uzupełnieniem podstawowego osiągnięcia naukowego, jak i w dziedzinie 18

19 analizy obrazów medycznych. Opis najważniejszych osiągnięć wykazanych w publikacjach, które nie wchodzą w skład podstawowego osiągnięcia naukowego został zamieszczony w tabeli 2. Tabela 2. Zestawienie najważniejszych osiągnięć wykazanych w publikacjach z poza podstawowego osiągnięcia naukowego Publikacja Najważniejsze elementy opracowania Opracowana została metoda segmentacji szeregów czasowych opisujących wartości natężeń ruchu drogowego. Pozwoliło to na poprawę dokładności [13] prognozowania natężenia ruchu. Zaproponowane podejście bazuje na zredukowanym zbiorze danych, dzięki czemu wynik predykcji uzyskiwany jest w krótszym czasie. Opisana metoda umożliwia detekcję markerów typu immunogold w obrazach uzyskanych za pomocą mikroskopu elektronowego. Markery są wykorzystywane w diagnostyce nowotworów do lokalizowania istotnych makromolekuł, takich jak [14] białka, tłuszcze, węglowodany i kwasy nukleinowe w obrębie komórek. Celem przeprowadzonych badań była poprawa dokładności detekcji markerów w obszarach obrazu o niskim kontraście. W pracy przedstawiono metodę automatycznej analizy mikroskopowych obrazów tkanek barwionych techniką immunohistochemiczną. Celem badań było [15] opracowanie algorytmów ilościowej oceny stężenia barwnika w analizowanym obrazie. Wyniki przetwarzania obrazu są przydatne w diagnostyce chorób przytarczyc. Opracowano metodę określania sąsiedztwa komórek i reguł ewolucji automatów komórkowych z wykorzystaniem algorytmów poszukiwania reduktów i reguł [16] decyzyjnych, które bazują na teorii zbiorów przybliżonych. Zaproponowane podejście umożliwia identyfikację deterministycznych i probabilistycznych automatów komórkowych dla celów modelowania zjawisk (np. ruchu drogowego). W pracy opisano sposób identyfikacji automatów komórkowych dedykowanych [17] do ekstrakcji niskopoziomowych cech obrazu. Wykazano możliwość identyfikacji 19

20 [18] [19] [20] [21] [22] automatów komórkowych dla operacji szkieletyzacji, powłoki wypukłej i detekcji krawędzi. Wyniki eksperymentów potwierdziły skuteczność i przydatność metody w przetwarzaniu mikroskopowych obrazów medycznych. Zaproponowano metodę oceny efektywności strategii sterowania ruchem drogowym, która wykorzystuje hybrydowy model ruchu, oparty na automatach komórkowych i liczbach rozmytych. Opracowana metoda umożliwia optymalizację adaptacyjnych systemów sygnalizacji świetlnej z uwzględnieniem nieprecyzyjnych danych o warunkach ruchu. Zdefiniowano model adaptacyjnej procedury sterowania ruchem drogowym z wykorzystaniem teorii zbiorów i relacyjnego opisu niepewności. Model wykorzystano do analizy zależności pomiędzy poziomem granulacji (rozmiarem ziarna) informacji o ruchu, a niepewnością decyzji sterujących. Przedstawione podejście umożliwia poszukiwanie optymalnego poziomu granulacji dla gromadzonej informacji o ruchu drogowym. Zaproponowano algorytm wideo-detekcji pojazdów dla systemów sterowania ruchem drogowym, który posiada zdolność adaptacji do zmiennych warunków oświetlenia analizowanej sceny. Skuteczność algorytmu potwierdzono eksperymentalnie wykorzystując sekwencje zarejestrowane podczas dnia i w nocy, w zróżnicowanych warunkach pogodowych. Algorytm został zaimplementowany w opisywanym powyżej prototypie wideo-detektora ZIR-WD / WD-P. Artykuł prezentuje model ruchu drogowego bazujący na automatach komórkowych, w którym parametry poszczególnych pojazdów są opisywane za pomocą liczb rozmytych. Model umożliwia odwzorowanie różnych klas pojazdów. Przeprowadzone eksperymenty wykazały przydatność modelu do prognozowania czasu rozładowania kolejek pojazdów oczekujących na przejazd przez skrzyżowanie. Opisano algorytm rozpoznawania i klasyfikacji pojazdów w obrazach cyfrowych. Algorytm wykorzystuje trójwymiarowe modele kształtu pojazdów zapisane w formie zbioru reguł rozmytych. Rozpoznawanie pojazdów polega na porównaniu parametrów geometrycznych segmentów obrazu wejściowego z segmentami wyznaczonymi na podstawie modelu. Podczas eksperymentów 20

21 [23] [24] rozpoznawano pięć klas pojazdów. Zastosowano teorię zbiorów przybliżonych do wyznaczania optymalnych tras przejazdu w sieci drogowej. Zaprojektowano system decyzyjny, który uwzględnia stany sieci identyfikowane za pomocą wartości natężeń ruchu na drogach. Zastosowano metody wyszukiwania reduktów w celu ograniczenia zbioru danych potrzebnych do opisu poszczególnych stanów sieci drogowej. Dzięki redukcji liczby atrybutów i agregacji zmiennych decyzyjnych ograniczono zbiór danych, który jest potrzeby do podjęcia decyzji o wyborze trasy. Zaproponowano nowy algorytm wyznaczania trajektorii ruchu pojazdu na podstawie sekwencji wideo, w którym wykorzystano trójwymiarowe modele sceny i pojazdu oraz metody ekstrakcji tła i detekcji krawędzi. Algorytm umożliwia pozyskanie danych przydatnych do sterowania i zarządzania ruchem drogowym. [13] Bernaś, M., Płaczek, B., Porwik, P., Pamuła, T.: Segmentation of vehicle detector data for improved k-nearest neighbours-based traffic flow prediction, IET Intelligent Transport Systems, 9 (3), pp , IF = (2014), 25 pkt MNiSW. [14] Płaczek, B., Bułdak, R., Polaniak, R.: Automatic Immunogold Particle Detection in Transmission Electron Micrographs of Cancer Cells. Journal of Medical Imaging Health Informatics, 5 (6), pp , IF = (2014), 15 pkt MNiSW. [15] Płaczek, B., Orczyk, T., Bułdak, R., Michalski, M., Segiet, O., Polaniak, R.: Image analysis of immunohistochemical stains for detection of parathyroid disease, Journal of Medical Informatics & Technologies, pkt MNiSW. [16] Płaczek, B.: Neighborhood Selection and Rules Identification for Cellular Automata: A Rough Sets Approach, in Wyrzykowski, R., Dongarra, J., Karczewski, K., Waśniewski, J. (eds.) Parallel Processing and Applied Mathematics. Lecture Notes in Computer Science, vol. 8385, pp , Springer Berlin Heidelberg, pkt MNiSW 21

22 [17] Płaczek, B.: Rough sets in identification of cellular automata for medical image processing, Journal of Medical Informatics & Technologies, 22, pp , pkt MNiSW. [18] Płaczek, B.: Performance Evaluation of Road Traffic Control Using a Fuzzy Cellular Model, in Corchado, E., Kurzyński, M., Woźniak, M (eds.) Hybrid Artificial Intelligent Systems. Lecture Notes in Artificial Intelligence, vol. 6679, pp , Springer Berlin Heidelberg, pkt MNiSW. [19] Płaczek, B.: The Information Granulation in Road Traffic Control Procedures. In: Piecha, J., Węgrzyn, T. (eds.) Transactions on transport systems telematics, pp , Silesian Univ. of Technology, Gliwice, [20] Płaczek, B.: A real time vehicle detection algorithm for vision-based sensors, in Bolc, L., Tadeusiewicz, R., Chmielewski, L., Wojciechowski, K. (eds.) Computer Vision and Graphics. Lecture Notes in Computer Science, vol. 6375, pp , Springer Berlin Heidelberg, pkt MNiSW. [21] Płaczek, B.: Fuzzy cellular model for on-line traffic simulation, in Wyrzykowski, R., Dongarra, J., Karczewski, K., Waśniewski, J. (eds.) Parallel Processing and Applied Mathematics. Lecture Notes in Computer Science, vol. 6068, pp Springer Berlin Heidelberg, pkt MNiSW [22] Płaczek, B.: Vehicles Recognition Using Fuzzy Descriptors of Image Segments, in Kurzyński, M., Woźniak, M. (eds.) Computer Recognition Systems 3. Advances in Intelligent and Soft Computing, vol. 57, pp Springer Berlin Heidelberg, [23] Gnyla, P., Płaczek, B.: Application of rough sets for optimal route finding in a transport network. in: Piecha, J., Węgrzyn, T. (eds.) Transactions on transport systems telematics and safety, pp. 9-16, Silesian Univ. of Technology, Gliwice, [24] Płaczek, B., Staniek, M.: Model Based Vehicle Extraction and Tracking for Road Traffic Control, in Kurzynski, M., Puchala, E., Wozniak, M., Zolnierek, A. (eds.) Computer Recognition Systems 2. Advances in Soft Computing, vol. 45, pp , Springer Berlin Heidelberg,

23 Pełny wykaz opublikowanych prac oraz informacja o osiągnięciach dydaktycznych, współpracy naukowej i popularyzacji nauki zostały przedstawione w Załączniku 3. 23