Ketterin koskaan rakennettu robotti

07.06.2017

Berkeley-Dexnet-robotti-300.jpgTarttua epäsäännöllisen muotoisiin kohteisiin, joita ihmiset poimivat päivittäin on hankala tehtävä roboteille.

Berkeley Labin robottirakentajat ovat kehittäneet niin näppäräsormisen robotin, että se voi poimia ja siirtää reaalimaailman kohteita 99 prosentin onnistumisprosentilla.

DexNet 2,0:ksi nimetty robotti saavutti tarkan kätevyytensä syväoppimisella. Tutkijat kokosivat laajan tietokannan kolmiulotteisia muotoja – yhteensä 6,7 miljoonaa datapistettä – jota neuroverkko käytti oppimaan poimia ja siirtää epäsäännöllisen muotoisia esineitä.

Neuroverkko on yhdistetty 3D-anturointiin ja robotin käsivarteen. Kun objekti on sijoitettu DexNet 2,0:n eteen se nopeasti tutkii muodon ja valitsee tarttumiskohdan jolla onnistuneesti poimia ja liikuttaa kohdetta 99 prosenttia ajasta.

Kahdeksan vuotta sitten MIT:ssä julkistettiin anturitekniikka, jossa käytetään fyysistä kosketusta saada aikaan yksityiskohtainen 3D-kartta kohteen pinnasta.

Nyt näitä GelSight-antureita käyttäen kaksi MIT:n tutkijaryhmää on antanut roboteille suuremman herkkyyden ja kätevyyden. GelSight-anturi on tutkijoiden mukaan tietyllä tapaa vaatimattoman teknologian ratkaisu vaikeaan ongelmaan.

GelSight-anturi selvittää geelipalan yhden maalatun pinnan kosketuksen sekä vastapuolen värivalojen ja kameran avulla kohteen 3D-muotoja.

Ensimmäisessä työssä robotti tunnistaa koskettamiensa pintojen kovuutta vähän samaan tapaan kuin ihminenkin eli sormenpäässä tapahtuvan muutoksen perusteella.

Toinen ryhmä keskittyi konenäköön, jota autonominen robotti tyypillisesti käyttää manipuloidakseen esineitä ympäristössään. Konenäkö tarjoaa robotille tarkkaa tietoa objektin sijainnista mutta kohteeseen tarttuminen on paljon vaikeampaa.

Yleensä tällaisen lähestymistavan haaste on sovittaa yhteen visiojärjestelmän tuottama data tuntoanturin tuottamaan dataan. Koska GelSight itsessään on kamerapohjainen, sen data on paljon helpompi integroida visuaaliseen dataan kuin muiden tuntoantureiden dataan.

Aiheesta aiemmin:

Tekoäly tehostaa datakeskuksia

23.01.2020Kiertymä muokkaa kaistaeroa
22.01.2020Yleismuistin virstanpylväs
21.01.2020Ensimmäinen antiferromagneettinen topologinen kvanttimateriaali
20.01.2020Nanoantenneja tiedonsiirtoon
17.01.2020Muisteja erittäin kylmään laskentaan
16.01.2020Laskentaa molekyyleillä
16.01.2020Konenäölle nyt myös konesilmät
14.01.2020Piin kvanttibiteillä uusiin ulottuvuuksiin
13.01.2020Uusi menetelmä kestäville GaN-transistoreille
10.01.2020Hiukkaskiihdytin mikropiirille

Siirry arkistoon »