Neden bize işinize güveniyorsunuz?
Panik ihalelerinden alıyoruz. Güvenilir kaynaklarımızdan milyonlarca bulması zor parça stoklarız. Ürün listelerimizi dakikalarca yeniliyoruz ve çevrimiçi alışverişler gerçek zamanlı olarak tamamlanıyor ve her gün gönderiliyor.
2002 yılında kurulan MFGChips, elektronik parça dağıtımında yerel bir liderdir ve bugün yerel pazarda en saygın ve yenilikçi şirketlerden biri olarak kabul edilmektedir. Merkezi Hong Kong'da bulunan MFGChips, üstün hizmet sunma ve verimli, kapsamlı global tedarik zinciri çözümleri geliştirme konusunda etkileyici bir ün kazandı.
Daha fazla bilgi edin >
Robotlar Sallayarak Nesne Özelliklerini Öğrenin
Robotlar artık bir nesnenin ağırlığını ve yumuşaklığını sallayarak, yalnızca sensörler, kamera veya araçlara gerek yok.
MIT, Amazon Robotics ve British Columbia Üniversitesi'nden araştırmacılar, robotların bir nesnenin ağırlığı, yumuşaklığı veya içeriğini nazikçe sallayarak öğrenmesini sağlayan bir yöntem geliştirdiler.Robotlar, kameralar veya harici araçlar gerektirmeden saniyeler içinde bir nesnenin kütlesini belirlemek için dahili sensörleri kullanabilir.Bu düşük maliyetli teknik, kameraların koyu alanlarda veya felaket kurtarma sırasında olduğu gibi çalışamayacağı ortamlarda faydalıdır.
Yöntemin önemli bir kısmı, hem robotu hem de nesneyi modelleyen bir simülasyon işlemidir ve robotun etkileşim sırasında nesne özelliklerini hızlı bir şekilde tanımlamasını sağlar.Teknik daha pahalı bilgisayar görme yöntemleri kadar etkilidir.Çeşitli görünmeyen senaryoları ele alacak kadar sağlamdır, bu da onu çeşitli robotik uygulamalar için çok yönlü bir çözüm haline getirir.
Algılama Sinyalleri
Araştırmacıların yöntemi, insanların bir dambılın ağırlığını nasıl hissettiklerine benzer şekilde hareketi veya konumu algılama yeteneği olan proprioseption kullanır.Bir robot, bir nesnenin kol eklemleri aracılığıyla ağırlığını hissedebilir.Robot bir nesneyi kaldırdıkça, eklemlerin konumunu ve hızını ölçen eklem kodlayıcılarından veri toplar, bu da dokunmatik veya görme izleyicileri gibi ekstra sensörlere ihtiyaç duymadan yöntemin uygun maliyetli olmasını sağlar.Sistem, robotun hareketi ve nesnenin davranışı için iki model kullanır.Robotun hareketlerini izleyerek ve ortak verileri kullanarak, algoritma nesnenin özelliklerini, daha ağır bir nesnenin aynı kuvvetin altındaki daha hafif bir nesneden daha yavaş hareket ettiği gibi çözer.
Farklılaştırılabilir simülasyonlar
Teknik, bir nesnenin kütle veya yumuşaklık gibi özelliklerindeki değişikliklerin robotun son ortak konumunu nasıl etkilediğini tahmin etmek için farklılaştırılabilir simülasyon kullanır.Araştırmacılar, daha güçlü bir multimodal sistem için bu tekniği bilgisayar görüşü ile birleştirmeyi umuyorlar.Ayrıca, yumuşak robotlar gibi daha karmaşık robotik sistemlere uygulamayı ve slosing sıvılar veya granüler malzemeler gibi nesneleri ele almayı amaçlıyorlar.Nihayetinde, robot öğrenimini geliştiren bu tekniği öngörerek robotların yeni manipülasyon becerileri geliştirmelerini ve değişen ortamlara hızlı bir şekilde uyum sağlamasını sağlıyorlar.