اگر به این ربات انتخاب و قرار دهید ، سریعاً می بینید که چرا این یک معامله بزرگ است - نه برای مهارت و حرکات خوب ، هرچند که این ربات در هر دو امتیاز دارد ، بلکه فقط به این دلیل که بسیار هوشمندانه است.
از اخبار موجود در آزمایشگاههای دانشگاه کاملاً آشکار است که بازوها و دستهای روباتیک که برای چیدن و مرتب سازی طراحی شده اند موضوعی مکرر است. محققان بلندپرواز تلاش می کنند برای راه حل های کارآمد امتیاز بالاتری کسب کنند.
همانطور که MIT CSAIL بیان کرد ، "برای تمام پیشرفت هایی که ما با روبات ها انجام داده ایم ، آنها هنوز هم به سختی مهارت های یک ساله را ندارند. روبات های کارخانه می توانند بارها و بارها همان شی را انتخاب کنند و برخی حتی می توانند این کار را انجام دهند. برخی تفاوت های اساسی بین اشیاء وجود دارد ، اما آنها معمولاً در درک طیف گسترده ای از اشکال و اندازه های شیء یا اینکه قادر به انتقال اشیاء گفته شده به حالت های مختلف یا مکان های مختلف هستند ، مشکل دارند. "
وزوز این هفته همه چیز راجع به این ربات ، با سبک "کلیدهای کلیدی" خود برای دستیابی به سطح هماهنگی پیشرفته تر. آنها روش جدیدی را برای شناسایی و جابجایی کل کلاسهای اشیاء کشف کرده اند و آنها را به عنوان گروه هایی از کلیدهای 3 بعدی معرفی می کنند.
مهندس به نقل از استاد MIT ، Russ Tedrake ، نویسنده ارشد مقاله ، شرح كار و كار خود را در مورد arXiv. "روبات ها می توانند تقریباً هر چیزی را انتخاب کنند ، اما اگر این شیئی باشد که قبلاً آنها را ندیده اند ، در واقع نمی توانند آن را به هر روشی معنی دار کاهش دهند."
مهندس گره خورده خود را به رویکردی که مانند "نوعی نقشه راه بصری که امکان دستکاری های ظریف تر را می دهد " داد.
می توانید این فیلم را در یک ویدئو پیش نمایش kPAM با عنوان "دستکاری دقیق ربات با اشیاء هرگز دیده شده" مشاهده کنید. Kpam چیست؟ این مخفف عبارت Keypoint Affordances برای دستکاری سطح رباتیک است. این روبات تمام اطلاعات مورد نیاز برای چیدن ، جابجایی و قرار دادن اشیاء را دریافت می کند.
Russ Tedrake ، استاد MIT گفت: "درک فقط کمی بیشتر در مورد جسم - مکان چند نکته مهم - کافی است تا طیف گسترده ای از کارهای مفید دستکاری را فعال کنید."
مقاله ای که کار آنها را که مربوط به arXiv است ، شرح می دهد ، با عنوان "kPAM: KeyPoint Affordances for دستکاری رباتیک رده در سطح" ، توسط لوکاس مانوولی ، وی گائو ، پیتر فلورانس و Russ Tedrake. آنها با CSAIL (آزمایشگاه علوم کامپیوتر و هوش مصنوعی) از انستیتوی فناوری ماساچوست هستند.
این همان چیزی است که نویسندگان این مقاله در مورد چگونگی رویکرد آنها گامی از " خطوط لوله دستکاری" موجود می گویند . حالت دوم به طور معمول تنظیمات مورد نظر را به عنوان یک هدف 6-DOF مطرح می کند ، که محدودیت های آن را دارد. نمایش یک شیء "با یک تغییر پارامتری تعریف شده بر روی یک الگوی ثابت نمی تواند تغییرات بزرگی را در فرم دسته بندی ایجاد کند و مشخص کردن یک هدف در سطح رده می تواند از نظر جسمی غیرقابل نفوذ باشد یا در انجام کار ناکام باشد."
دانستن وضعیت و اندازه یک لیوان قهوه نسبت به برخی لیوان های معمولی بسیار مناسب است ، اما آویز کردن آن بر روی قفسه توسط دسته آن کافی نیست. رویکرد آنها استفاده از "کلیدهای معنایی 3 بعدی به عنوان بازنمایی شی" است. نتایج اکتشاف آنها چه بود؟ روش آنها قادر به کنترل "تغییرات بزرگ در ردههای دسته جمعی بدون هیچ گونه تنظیم دقیق و مشخص" بود.
این تیم گزارش داد كه "آزمایشهای سخت افزاری گسترده نشان می دهد كه روش ما می تواند با اطمینان اشیاء دیده شده در طبقه بندی ، مانند قرار دادن كفش و لیوان با تغییر شکل قابل توجه در تنظیمات سطح هدف ، به طور قابل اطمینان وظایف خود را انجام دهد."
اگر به این ربات انتخاب و قرار دهید ، سریعاً می بینید که چرا این یک معامله بزرگ است - نه برای مهارت و حرکات خوب ، هرچند که این ربات در هر دو امتیاز دارد ، بلکه فقط به این دلیل که بسیار هوشمندانه است.
از اخبار موجود در آزمایشگاههای دانشگاه کاملاً آشکار است که بازوها و دستهای روباتیک که برای چیدن و مرتب سازی طراحی شده اند موضوعی مکرر است. محققان بلندپرواز تلاش می کنند برای راه حل های کارآمد امتیاز بالاتری کسب کنند.
همانطور که MIT CSAIL بیان کرد ، "برای تمام پیشرفت هایی که ما با روبات ها انجام داده ایم ، آنها هنوز هم به سختی مهارت های یک ساله را ندارند. روبات های کارخانه می توانند بارها و بارها همان شی را انتخاب کنند و برخی حتی می توانند این کار را انجام دهند. برخی تفاوت های اساسی بین اشیاء وجود دارد ، اما آنها معمولاً در درک طیف گسترده ای از اشکال و اندازه های شیء یا اینکه قادر به انتقال اشیاء گفته شده به حالت های مختلف یا مکان های مختلف هستند ، مشکل دارند. "
وزوز این هفته همه چیز راجع به این ربات ، با سبک "کلیدهای کلیدی" خود برای دستیابی به سطح هماهنگی پیشرفته تر. آنها روش جدیدی را برای شناسایی و جابجایی کل کلاسهای اشیاء کشف کرده اند و آنها را به عنوان گروه هایی از کلیدهای 3 بعدی معرفی می کنند.
مهندس به نقل از استاد MIT ، Russ Tedrake ، نویسنده ارشد مقاله ، شرح كار و كار خود را در مورد arXiv. "روبات ها می توانند تقریباً هر چیزی را انتخاب کنند ، اما اگر این شیئی باشد که قبلاً آنها را ندیده اند ، در واقع نمی توانند آن را به هر روشی معنی دار کاهش دهند."
مهندس گره خورده خود را به رویکردی که مانند "نوعی نقشه راه بصری که امکان دستکاری های ظریف تر را می دهد " داد.
می توانید این فیلم را در یک ویدئو پیش نمایش kPAM با عنوان "دستکاری دقیق ربات با اشیاء هرگز دیده شده" مشاهده کنید. Kpam چیست؟ این مخفف عبارت Keypoint Affordances برای دستکاری سطح رباتیک است. این روبات تمام اطلاعات مورد نیاز برای چیدن ، جابجایی و قرار دادن اشیاء را دریافت می کند.
Russ Tedrake ، استاد MIT گفت: "درک فقط کمی بیشتر در مورد جسم - مکان چند نکته مهم - کافی است تا طیف گسترده ای از کارهای مفید دستکاری را فعال کنید."
مقاله ای که کار آنها را که مربوط به arXiv است ، شرح می دهد ، با عنوان "kPAM: KeyPoint Affordances for دستکاری رباتیک رده در سطح" ، توسط لوکاس مانوولی ، وی گائو ، پیتر فلورانس و Russ Tedrake. آنها با CSAIL (آزمایشگاه علوم کامپیوتر و هوش مصنوعی) از انستیتوی فناوری ماساچوست هستند.
این همان چیزی است که نویسندگان این مقاله در مورد چگونگی رویکرد آنها گامی از " خطوط لوله دستکاری" موجود می گویند . حالت دوم به طور معمول تنظیمات مورد نظر را به عنوان یک هدف 6-DOF مطرح می کند ، که محدودیت های آن را دارد. نمایش یک شیء "با یک تغییر پارامتری تعریف شده بر روی یک الگوی ثابت نمی تواند تغییرات بزرگی را در فرم دسته بندی ایجاد کند و مشخص کردن یک هدف در سطح رده می تواند از نظر جسمی غیرقابل نفوذ باشد یا در انجام کار ناکام باشد."
دانستن وضعیت و اندازه یک لیوان قهوه نسبت به برخی لیوان های معمولی بسیار مناسب است ، اما آویز کردن آن بر روی قفسه توسط دسته آن کافی نیست. رویکرد آنها استفاده از "کلیدهای معنایی 3 بعدی به عنوان بازنمایی شی" است. نتایج اکتشاف آنها چه بود؟ روش آنها قادر به کنترل "تغییرات بزرگ در ردههای دسته جمعی بدون هیچ گونه تنظیم دقیق و مشخص" بود.
این تیم گزارش داد كه "آزمایشهای سخت افزاری گسترده نشان می دهد كه روش ما می تواند با اطمینان اشیاء دیده شده در طبقه بندی ، مانند قرار دادن كفش و لیوان با تغییر شکل قابل توجه در تنظیمات سطح هدف ، به طور قابل اطمینان وظایف خود را انجام دهد."
مدل جدیدی برای تولید سؤال گفتگوی بصری