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

13.09.2019Tehokkaampaa sähköpolttoaineiden tuotantoa
12.09.2019Ensimmäinen monimutkainen kvanttiteleportaatio
11.09.2019Energian talteenottoa piipiiriltä
10.09.2019Uudenlainen pinnoite litium-metalli akuille
09.09.2019Uusi eristetekniikka pienemmille siruille
06.09.2019Hiilinanoputkia ja grafeenia
05.09.2019Nikkelioksidistako suprajohde?
04.09.2019Metamateriaaleja ja magnoniikkaa
03.09.2019Gallium-oksidi tehotransistoreita ennätysarvoilla
02.09.2019Muutos magneetissa itsessään

Siirry arkistoon »