VonFabienne Lang
  1. 22. Mai 2019

Die theoretische Arbeit konzentrierte sich auf die Verwendung von Quantencomputern zur Beschleunigung des maschinellen Lernens/SINC

Quelle: Eurekalert

Roboter werden in unserem täglichen Leben immer häufiger, indem sie einfache Aufgaben in Haushalten und Unternehmen übernehmen. Während ihrer Aufgaben sind diese Roboter mit einer Vielzahl von beweglichen Objekten wie Werkzeugen, Schränken, Schubladen und anderen konfrontiertgegliederte Objekte Diese Objekte bieten eine unendliche Anzahl von möglichen Anordnungen und Posen, und Roboter müssen alle schnell erkennen
in Posen zum Bewegen oder Abrufen von Objekten in diesen Räumen.
VERBUNDEN: NVIDIA ERÖFFNET NEUES FORSCHUNGSLABOR, UM ROBOTERN ZU UNTERRICHTEN, SICHER MIT MENSCHEN ZU ARBEITEN Das Problem bleibt, wie man einem Roboter all diese möglichen Variationen von Posen beibringt und wie er sich durch unübersichtliche, ungeplante Umgebungen navigieren kann.

Um die Roboterwahrnehmung zu verbessern, haben Wissenschaftler der Universität Michigan in Ann Arber, geleitet von Karthik Desingh, haben einen methodischen Algorithmus entwickelt, der verschiedene potenzielle Posen von verbundenen Objekten berechnet und schätzt. Zusammengefasst lehrt der Algorithmus den Roboter, seine Aktionen zu koordinieren. Der Artikel über die Forschung

"Effiziente nichtparametrische Glaubensausbreitung für die Posenschätzung und Manipulation von artikulierten Objekten"

wird veröffentlicht

in dieser Woche Wissenschaftsrobotik Tagebuch.Die Zukunft der Robotik vor Augen. Quelle: Ryan Etter/Robohub Roboter denken, bevor sie handelnLetztendlich wird dies äußerst nützlich sein und den Service von Lagerrobotern oder Heimrobotern verbessern, da ihre Fähigkeit, zu interagieren und sich um verbundene Objekte und Werkzeuge zu bewegen, drastisch erhöht wird.Um sich in einer Küche und ihren Schränken schnell zu bewegen, muss ein Roboter die verschiedenen Posen des Schranks zum Beispiel das Schließen und Öffnen von Schubladen verstehen und kennen, indem er bestimmte Bewegungen übt.Die Herausforderung? Variation in der Norm.

Zum Beispiel: Wird ein Küchentuch über Schubladen oder einen Schrank verstreut, erkennt der Roboter das Objekt nicht mehr und weiß nicht, was er als nächstes tun soll.Dank des neuen Algorithmus wird ein Roboter dies jetzt berücksichtigen, alle möglichen Posenvariationen durchlaufen und trotzdem in der Lage sein, ihn zu umgehen und herauszufinden, wie er in und um die überladene Umgebung herum arbeitet. Das war nicht dieFall vorher.

Werbung

Ein Fetch-Roboter steht vor einem Schrank und schätzt die Pose des Schranks, um ihn zu bearbeiten. Quelle:

Desingh et al., Sci. Robot. 4, eaaw4523 2019

Verstehen des Algorithmus

Desingh

und seine Kollegen haben den benannten Algorithmus erstellt

PMPNBP
, das Zufallsvariablen formuliert, die verschiedene Optionen einer Abfolge von Posenbewertungen darstellen. Dazu nutzt es die Vorkenntnisse des Roboters.Derzeit werden 100 verschiedene Iterationen durch PMPNBP verwendet, wodurch Platz für viele Geschirrtücher bleibt, die einem Schrank in den Weg geworfen werden können.

AE Beobachtete Szene, Punktwolkenbeobachtung, Annahmen verschiedener möglicher Posenschätzungen bei Iteration 0 und Annahmen bei Iteration 100 eines offenen Schranks. GK Beobachtete Szene, Punktwolkenbeobachtung, Annahmen verschiedener möglicher Posenschätzungen bei Iteration0 und Überzeugungen bei Iteration 100 eines Schranks mit einer Decke darauf.

Quelle: Desinghet al., Sci. Robot. 4, eaaw4523 2019

Der Schlüssel zum Erfolg von PMPNBP? Die Forscher haben festgestellt, dass es auf seine Teilbeobachtungen zurückzuführen ist, das gesamte Objekt der hypothetischen Posses zu drehen. Es ist präziser und systematischer, wenn Posen von gegliederten Objekten geschätzt werden und eine Stufe weiter springen.PAMPAS

, eine bereits vorhandene Methode.WerbungFolgen Sie uns aufBleiben Sie über die neuesten technischen Nachrichten auf dem LaufendenGeben Sie einfach Ihre E-Mail ein und wir kümmern uns um den Rest :

ABONNIERENMit der Anmeldung stimmen Sie unseren zuNutzungsbedingungen

Datenschutzrichtlinie

. Sie können sich jederzeit abmelden.

Gesponserte Geschichten

Jemand brachte dem Spot-Roboter von Boston Dynamics bei, wie man Bier pinkeltChris Youngvor 1 MonatInnovationEin Roboter hat sich das Laufen selbst beigebracht, wie ein BabyBrad Berganvor 1 MonatInnovationDer wissenschaftliche Grund, warum wir menschenähnlichen Robotern gegenüber schrecklich sindBrad Bergan

vor 1 MonatInnovation

Hyperrealistische Roboter werden zum Leben erweckt, um die Massen zu unterhaltenLoukia Papadopoulos

Nutzungsbedingungen
Bleib oben