Connect with us
https://ainews.site/wp-content/uploads/2021/11/zox-leader.png

Published

on

The Ultimate Managed Hosting Platform

I ricercatori del MIT hanno sviluppato un sistema che consente a un robot di studiare un nuovissimo processo pick-and-place basato principalmente solo su una manciata di esempi umani. Ciò potrebbe consentire a un essere umano di riprogrammare un robotico per comprendere oggetti mai visti prima, offerti in pose casuali, in circa un quarto d’ora. Punteggio di credito: Massachusetts Institute of Know-how

Con l’arrivo degli ordini di e-commerce, un robot di magazzino preleva le tazze da uno scaffale e le colloca nei contenitori per la consegna. Ogni cosa sta ronzando insieme, fino a quando il magazzino non elabora un cambiamento e il robot dovrebbe ora afferrare tazze più alte e più strette che possono essere salvate nel modo sbagliato.

Riprogrammarlo comporta l’etichettatura manuale di centinaia di fotografie che mostrano come puoi afferrare queste nuove tazze, quindi allenare ancora una volta il sistema.

Tuttavia, un approccio nuovo di zecca sviluppato dai ricercatori del MIT richiederebbe solo una manciata di dimostrazioni umane per riprogrammare la robotica. Questa tecnica di apprendimento automatico consente a un robot di selezionare e posizionare oggetti mai visti prima che possono essere in pose casuali che non ha mai incontrato. Entro 10-15 minuti, il robot può essere in grado di eseguire un nuovissimo processo di pick-and-place.

L’approccio si avvale di a particolarmente progettato per ricostruire le forme di oggetti 3D. Con solo alcune dimostrazioni, il sistema utilizza ciò che la comunità neurale ha scoperto sulla geometria 3D per comprendere nuovi oggetti che possono essere molto simili a questi all’interno delle demo.

Nelle simulazioni e utilizzando un vero braccio robotico, i ricercatori presentano che il loro sistema può manipolare con successo tazze, ciotole e bottiglie mai viste prima, organizzate in pose casuali, utilizzando solo 10 dimostrazioni per mostrare il robot.

“Il nostro contributo principale è il mezzo finale per presentare in modo molto più efficace nuove competenze ai robot che devono funzionare in ambienti aggiuntivi non strutturati dove potrebbe esserci una serie di variabilità. L’idea di generalizzazione per sviluppo è una funzionalità affascinante, poiché questo aspetto negativo è solitamente molto più difficile”, afferma Anthony Simeonov, uno studioso laureato in e laptop science (EECS) e co-creatore principale del giornale.

Simeonov ha scritto il documento con il co-creatore principale Yilun Du, uno studioso laureato EECS; Andrea Tagliasacchi, scienziato di analisi dei lavoratori presso Google Mind; Joshua B. Tenenbaum, Paul E. Newton Profession Growth Professor of Cognitive Science and Computation all’interno della Division of Mind and Cognitive Sciences e membro del Pc Science and Synthetic Intelligence Laboratory (CSAIL); Alberto Rodriguez, Professore Associato di Classe 1957 presso la Divisione di Ingegneria Meccanica; e gli autori senior Pulkit Agrawal, un professore in CSAIL, e Vincent Sitzmann, un assistente professore in EECS. L’analisi sarà probabilmente offerta sulla Convenzione mondiale sulla robotica e l’automazione.

Geometria golosa

Un robotico potrebbe anche essere educato a selezionare una particolare merce, ma quando quell’oggetto è mendace nel suo aspetto (forse è caduto), il robotico vede questa come una situazione molto nuova. Questa è una delle ragioni per cui è così oneroso per i metodi di apprendimento automatico generalizzare a nuovi orientamenti agli oggetti.

Per superare questo problema, i ricercatori hanno creato un nuovo tipo di manichino della comunità neurale, un Neural Descriptor Subject (NDF), che apprende la geometria 3D di una categoria di cose. Il manichino calcola l’illustrazione geometrica di una particolare merce utilizzando una nuvola di livello 3D, che è un insieme di fattori di informazione o coordinate in tre dimensioni. I fattori di informazione potrebbero essere ottenuti da una fotocamera di profondità che fornisce dati sullo spazio tra l’oggetto e un punto di vista. Mentre la comunità è stata educata alla simulazione su un grande set di dati di forme 3D artificiali, può essere immediatamente utilizzato per le cose nel mondo reale.

Lo staff ha progettato l’NDF con una proprietà spesso chiamata equivarianza. Con questa proprietà, se al manichino viene provata l’immagine di una tazza verticale, dopo di che viene provata un’immagine della tazza identica sul suo aspetto, capisce che la seconda tazza è un oggetto simile, semplicemente ruotato.






Punteggio di credito: Massachusetts Institute of Know-how

“Questa equivarianza è ciò che ci permette di affrontare con maggior successo le circostanze in cui l’oggetto che osservi si trova in un orientamento arbitrario”, afferma Simeonov.

Poiché l’NDF impara a ricostruire le forme di oggetti comparabili, impara inoltre ad associare i componenti associati a questi oggetti. Ad esempio, apprende che i manici delle tazze sono paragonabili, anche quando alcune tazze sono più alte o più larghe di altre, o hanno manici più piccoli o più lunghi.

“Per coloro che desiderano farlo con un altro metodo, è necessario etichettare manualmente tutti i componenti. In alternativa, il nostro metodo rileva regolarmente questi componenti dalla ricostruzione della forma”, afferma Du.

I ricercatori usano questo manichino NDF istruito per mostrare a un robot un talento nuovo di zecca con solo alcuni esempi corporei. Trasferiscono la mano del robot sulla parte di un oggetto che devono afferrare, proprio come il bordo di una ciotola o il manico di una tazza, e riportano le aree dei polpastrelli.

Poiché l’NDF ha scoperto molto sulla geometria 3D e su come ricostruire le forme, probabilmente dedurrà la costruzione di una forma nuova di zecca, che consente al sistema di cambiare le dimostrazioni su nuovi oggetti in pose arbitrarie, spiega Du.

Selezione di un vincitore

Hanno esaminato il loro manichino in simulazioni e su un vero braccio robotico utilizzando tazze, ciotole e bottiglie come oggetti. La loro tecnica aveva a dell’85% sui compiti di pick-and-place con nuovi oggetti in nuovi orientamenti, mentre la migliore linea di base era solo in grado di ottenere un prezzo di successo di 45 pc. Successo significa avidi un oggetto nuovo di zecca e inserirlo in una posizione obiettivo, come appendere le tazze su uno scaffale.

Molte linee di base utilizzano i dati dell’immagine 2D piuttosto che la geometria 3D, il che rende più difficile per queste strategie combinare l’equivarianza. Questa è una delle ragioni per cui l’approccio NDF ha funzionato in modo molto migliore.

Mentre i ricercatori sono stati soddisfatti della sua efficienza, la loro tecnica funziona esclusivamente per la classe di oggetti effettiva su cui è stata educata. Un robotico insegnato a selezionare le tazze non avrà la capacità di scegliere contenitori o cuffie, poiché questi oggetti hanno opzioni geometriche che possono essere troppo diverse da quelle su cui è stata educata la comunità.

“Prima o poi, ridimensionarlo tanto quanto molte classi o abbandonare completamente la nozione di classe può essere perfetto”, afferma Simeonov.

Inoltre, hanno in programma di adattare il sistema per oggetti non rigidi e, a lungo termine, consentire al sistema di svolgere compiti di pick-and-place quando lo spazio della porta si adegua.


Il nuovo metodo consente alla visione robotica di identificare gli oggetti occlusi


Dati extra:

Anthony Simeonov et al, Neural Descriptor Fields: SE(3)-rappresentazioni di oggetti equivalenti per la manipolazione. arXiv:2112.05124v1 [cs.RO], doi.org/10.48550/arXiv.2112.05124

Questa storia è stata ripubblicata per gentile concessione di MIT Information (web.mit.edu/newsoffice/), un sito Web preferito che copre informazioni sull’analisi, l’innovazione e l’istruzione del MIT.

Quotazione:
Un metodo migliore per formare nuove competenze sui robot (2022, 25 aprile)
recuperato il 25 aprile 2022
da https://techxplore.com/information/2022-04-easy-robots-skills.html

Questo documento è soggetto a copyright. Al di là di ogni onesto trattamento finalizzato alla ricerca o all’analisi personale, n
la metà potrebbe anche essere riprodotta senza il permesso scritto. Il materiale contenuto è offerto esclusivamente per le funzioni di dati.



The Ultimate Managed Hosting Platform

Source link

Continue Reading

Ultime notizie

Lo strumento AI rivoluzionario salverà madri e bambini – L’ultima novità in fatto di intelligenza artificiale | Robotica AI

Published

on

Game-changer AI tool will save mothers and babies

The Ultimate Managed Hosting Platform

Al giorno d’oggi, diverse tecnologie che cambiano il mondo continuano a crescere a un ritmo maggiore rispetto ai progressi che abbiamo visto nei decenni passati. Conosciamo tutti l’apprendimento automatico, l’IoT e l’intelligenza artificiale.

Sebbene tutte queste tecnologie possano rovesciare e sostituire la maggior parte degli altri sistemi, l’RPA o Robotic Process Automation rimane una delle principali tecnologie che rafforzano la sua presa sulle aziende che cercano di trasformarsi nei prossimi anni.

Tuttavia, ci sono ancora molte idee sbagliate su cosa sia esattamente l’RPA e la sua gamma di capacità. Le persone a volte lo confondono con l’intelligenza artificiale. In questo post, esamineremo fino a che punto è cresciuta questa tecnologia e i diversi modi in cui possiamo utilizzarla.

Funzionalità e usi di RPA

Allora cos’è Automazione dei processi robotici? È un bot digitale codificato manualmente che aiuta ad automatizzare numerosi processi aziendali che di solito sono considerati ripetitivi e uno spreco di risorse utili corrispondenti a denaro e tempo.

La metà robotica è generalmente rappresentata da un personaggio digitale che funziona principalmente sulla base di un algoritmo progettato per svolgere compiti con metodi più intelligenti e veloci di quanto possa mai fare un essere umano. Questo know-how era solo un prezzo ragionevole da parte di grandi aziende diversi anni fa, tuttavia con lo sviluppo di nuove mode aziendali, le aziende di tutte le dimensioni possono sfruttare al massimo l’RPA.

Ad esempio, prendiamo l’istanza di un operatore finanziario che esegue un’attività di fatturazione di fantasia. Il metodo potrebbe consistere nel generare una fattura da un insieme di gadget fatturabili in un file di immissione. Ciò potrebbe richiedere la creazione della fattura prendendo i gadget fatturabili, il controllo incrociato del prezzo e di eventuali accordi di fatturazione, le riduzioni, la creazione della fattura nel formato adatto, l’aggiornamento del bill tracker, l’invio di email all’acquirente e l’aggiornamento del sistema finanziario

In un tale stato di cose, un know-how come RPA può far risparmiare un bel po’ di tempo e risorse grazie alla capacità di automatizzare la punta per completare il corso replicando con precisione i passaggi che il lavoratore umano eseguirebbe e quindi liberando il lavoratore per svolgere compiti che richiedono un giudizio umano.

La posizione dell’IA e dello studio delle macchine nei metodi RPA

In questo momento, le variazioni più recenti delle tecniche RPA sono alimentate da scienze applicate di gran lunga superiori corrispondenti all’intelligenza sintetica e allo studio delle macchine. Queste scienze applicate integrate consentono alle macchine di osservare e studiare regolarmente con successo le azioni umane ripetitive.

Queste integrazioni possono presentare un sistema RPA digitale avanzato con opzioni aggiuntive corrispondenti a funzionalità suggestive che potrebbero migliorare drasticamente i processi aziendali. Svilupperanno intelligenza che potrebbe consentire loro di calcolare ed eseguire opzioni più intelligenti che puoi descrivere come inimmaginabili per gli esseri umani.

Ancora una volta, l’aggiornamento della prima istanza di fatturazione con questo sviluppo eliminerebbe la necessità di input umani, il luogo in cui il sistema può studiare dalle azioni il luogo in cui una regola può essere utilizzata, rendendola una risposta di automazione molto autonoma. Consideralo come un livello di programma software intelligente con linee guida e risposte preimpostate che finalmente apprende e migliora il suo funzionamento con tempo e competenza.

Tali tecniche sono ampiamente utilizzate nella pubblicità tramite posta elettronica e nelle società di fornitori di riparazioni. Dovresti essere a conoscenza dell’automazione della posta elettronica o delle tecniche di messaggistica integrate con funzionalità che ti offrono aziende e strategie basate principalmente sulle tue preferenze e sulle azioni precedenti sulla rispettiva piattaforma.

Conclusione

L’analisi indica che l’intera spesa del mercato per il corso robotico di automazione contatterà quasi 13 miliardi di dollari entro il 2030, luogo in cui il suo picco sarà probabilmente un giorno intorno al 2027. Suggerisce inoltre che la maggior parte di questi utilizzatori apparterrà al settore manifatturiero.

Le attuali situazioni pandemiche e le loro ripercussioni consolidano questo modello crescente nell’automazione a causa della drastica necessità di ridurre il più possibile il contatto umano considerando considerazioni di sicurezza.

Varie scienze applicate corrispondenti all’IA e allo studio delle macchine possono persino vedere sviluppi vitali nella creazione di tecniche intelligenti che riducono al minimo l’intervento umano e gli errori. Negli ultimi anni, ora abbiamo assistito a trasformazioni inimmaginabili che hanno modificato tutti i pezzi che conoscevamo e che pensavamo regolari. La rapidità di tali modifiche dimostra come le società siano dedite a promuovere il nostro futuro verso l’alto con l’assistenza di scienze applicate più recenti e dismesse come RPA.



The Ultimate Managed Hosting Platform

Source link

Continue Reading

Ultime notizie

Il dispositivo di memoria neuromorfico simula i neuroni e le sinapsi

Published

on

Neuromorphic memory device simulates neurons and synapses

The Ultimate Managed Hosting Platform

Sistema di reminiscenza neuromorfica costituito da strati di reminiscenza sul retro instabili e ad alta non volatilità che emulano rispettivamente le proprietà neuronali e sinaptiche. Punteggio di credito: The Korea Superior Institute of Science and Know-how (KAIST)

I ricercatori hanno segnalato un sistema di reminiscenza neuromorfica di dimensioni nanometriche che emula neuroni e sinapsi contemporaneamente in una cellula unitaria, un altro passo verso il raggiungimento dell’obiettivo del calcolo neuromorfico progettato per imitare accuratamente la mente umana con gadget a semiconduttore.

Obiettivi del calcolo neuromorfico da comprendere (AI) imitando i meccanismi dei neuroni e che compongono il . Impressionati dalle caratteristiche cognitive della mente umana che i sistemi informatici attuali non possono presentare, i gadget neuromorfici sono stati ampiamente studiati. Tuttavia, gli attuali circuiti neuromorfici basati su CMOS (Complementary Steel-Oxide Semiconductor) si limitano a unire neuroni sintetici e sinapsi senza interazioni sinergiche e l’implementazione concomitante di neuroni e sinapsi rimane comunque un problema. Per gestire questi punti, una squadra di analisi guidata dal professor Keon Jae Lee della Divisione di scienza e ingegneria delle forniture ha applicato i meccanismi di lavoro organico delle persone introducendo le interazioni neurone-sinapsi in una singola cellula di reminiscenza, in qualche modo rispetto alla strategia standard di connessione elettrica gadget neuronali e sinaptici sintetici.

Proprio come le carte da gioco di grafica industriale, i gadget sinaptici sostitutivi studiati in precedenza erano tipicamente utilizzati per accelerare i calcoli paralleli, che mostrano chiare variazioni rispetto ai meccanismi operativi della mente umana. La squadra di analisi ha applicato le interazioni sinergiche tra neuroni e sinapsi all’interno del sistema di reminiscenza neuromorfica, emulando i meccanismi della comunità neurale organica. Inoltre, il sistema neuromorfico sviluppato può scambiare circuiti neuronali CMOS avanzati con un unico sistema, offrendo un’eccessiva scalabilità ed efficacia di valore.

La mente umana è costituita da una comunità elegante di 100 miliardi di neuroni e 100 trilioni di sinapsi. Le caratteristiche e gli edifici dei neuroni e delle sinapsi possono cambiare in modo flessibile in linea con gli stimoli esterni, adattandosi all’ambiente circostante. La squadra di analisi ha sviluppato un sistema neuromorfico durante il quale coesistono reminiscenze a breve ea lungo termine utilizzando gadget di reminiscenza instabili e non volatili che imitano rispettivamente i tratti dei neuroni e delle sinapsi. Viene utilizzato un sistema di modifica della soglia come e la reminiscenza del cambiamento di fase viene utilizzata come sistema non volatile. Due gadget a film sottile sono integrati senza elettrodi intermedi, implementando la pratica adattabilità dei neuroni e delle sinapsi all’interno della reminiscenza neuromorfica.

Il dispositivo di memoria neuromorfico simula i neuroni e le sinapsi

Operazione di riqualificazione all’interno dell’array del sistema neuromorfico. a) Grafico schematico che mostra l’impatto della riqualificazione. b) Immagine al microscopio elettronico a scansione dell’array del sistema neuromorfico. c) Esempio di coaching “F” per la riqualificazione dai un’occhiata. d) Evoluzione dello stato di reminiscenza dell’array del sistema neuromorfico per lo schema di coaching e riqualificazione ingenuo. Punteggio di credito: The Korea Superior Institute of Science and Know-how (KAIST)

Il professor Keon Jae Lee ha definito: “I neuroni e le sinapsi lavorano insieme per determinare le caratteristiche cognitive equivalenti alla reminiscenza e allo studio, quindi simulare ciascuna di esse è una componente vitale per l’intelligenza sintetica ispirata al cervello. Il neuromorfico sviluppato il sistema imita inoltre l’impatto di riqualificazione che consente uno studio rapido delle informazioni dimenticate implementando un impatto di suggerimenti costruttivi tra e sinapsi”.

Questa conseguenza, intitolata “Emulazione simultanea della plasticità sinaptica e intrinseca che utilizza una sinapsi memristiva”, è stata stampata all’interno della situazione del 19 maggio 2022 di Comunicazioni sulla natura.


Il team presenta hardware neuromorfico altamente scalabile ispirato al cervello


Informazioni extra:

Sang Hyun Sung et al, Emulazione simultanea della plasticità sinaptica e intrinseca utilizzando una sinapsi memristiva, Comunicazioni sulla natura (2022). DOI: 10.1038/s41467-022-30432-2

Quotazione:
Il sistema di reminiscenza neuromorfica simula neuroni e sinapsi (2022, 20 maggio)
recuperato il 20 maggio 2022
da https://techxplore.com/information/2022-05-neuromorphic-memory-device-simulates-neurons.html

Questo documento è soggetto a copyright. Al di fuori di ogni veridicità di trattamento finalizzata alla ricerca o all’analisi personale, n
la metà potrebbe anche essere riprodotta senza il permesso scritto. Il materiale di contenuto viene offerto esclusivamente per funzioni informative.

L'ultima piattaforma di hosting gestito

Collegamento sorgente

Il post Il dispositivo di memoria neuromorfico simula i neuroni e le sinapsi è apparso per la prima volta su Le ultime novità in fatto di intelligenza artificiale | Robotica AI | Notizie sull’apprendimento automatico.

The Ultimate Managed Hosting Platform

Source link

Continue Reading

Ultime notizie

Rete neurale per aiutare ecologisti, silvicoltori e operatori di linee elettriche a dimensionare alberi dall’alto – Le ultime novità in materia di intelligenza artificiale | Robotica AI

Published

on

Neural network to help ecologists, foresters and power line operators size up trees from above

The Ultimate Managed Hosting Platform

Hugues Thomas ei suoi collaboratori dell’U of T Institute for Aerospace Research hanno creato una nuovissima tecnica per la navigazione robotica basata principalmente sullo studio approfondito autocontrollato. Punteggio di credito: Safa Jinje

Un gruppo di ricercatori guidato dal professor Tim Barfoot del College of Toronto sta utilizzando una nuova tecnica che consente ai robot di evitare di scontrarsi con gli individui prevedendo le aree a lungo termine di ostacoli dinamici del loro percorso.

La sfida sarà probabilmente introdotta alla Worldwide Convention on Robotics and Automation a Filadelfia alla fine di Might.

I risultati di una simulazione, che non sono altro che peer-reviewed, possono essere trovati sul servizio di prestampa di arXiv.

“Il precetto del nostro lavoro è avere a prevedere cosa faranno le persone in un futuro rapido”, afferma Hugues Thomas, ricercatore post-dottorato nel laboratorio di Barfoot presso l’Istituto di ricerca aerospaziale U of T al College of Utilized Science & Engineering. “Ciò consente al robot di anticipare moderatamente il movimento degli individui che incontra piuttosto che reagire non appena si trova di fronte a questi ostacoli”.

Per risolvere il luogo di manovra, il robot utilizza le mappe della griglia di occupazione spaziotemporale (SOGM). Si tratta di mappe della griglia 3D mantenute all’interno del processore robotico, con ogni cella della griglia 2D contenente i dettagli previsti sull’esercizio in quella casa in un determinato momento. La robotica sceglie le sue azioni future elaborando queste mappe per mezzo degli attuali algoritmi di pianificazione della traiettoria.

Un altro software chiave utilizzato dall’equipaggio è il rilevamento e la portata delicati (lidar), un know-how di rilevamento della distanza molto simile al radar, oltre al fatto che utilizza la delicatezza invece del suono. Ogni ping del lidar crea una certa misura salvata nella reminiscenza del robot. Il lavoro precedente dell’equipaggio ha mirato all’etichettatura di questi fattori in base principalmente alle loro proprietà dinamiche. Questo aiuta il robot a riconoscere vari tipi di oggetti all’interno del suo ambiente.

La comunità SOGM dell’equipaggio è attualmente in grado di riconoscere 4 classi di livello lidar: la parte inferiore; infissi eterni, corrispondenti a tramezzi; questioni mobili ma immobili, corrispondenti a sedie e tavoli; e ostacoli dinamici, corrispondenti agli individui. Non è richiesta alcuna etichettatura umana delle informazioni.

“Con questo lavoro, speriamo di consentire ai robot di navigare per mezzo di aree interne affollate in un metodo più socialmente consapevole”, afferma Barfoot. “Predicendo il luogo in cui andranno gli individui e i diversi oggetti, siamo in grado di pianificare percorsi che anticipano ciò che faranno le parti dinamiche”.

All’interno del documento, l’equipaggio studia i risultati redditizi dell’algoritmo eseguito nella simulazione. Il problema successivo è indicare la relativa efficienza negli ambienti del mondo reale, il luogo in cui le azioni umane saranno difficili da prevedere. Come parte di questo sforzo, l’equipaggio ha esaminato il loro progetto sul terreno principale di U of T’s Myhal Middle for Engineering Innovation & Entrepreneurship, il luogo in cui la robotica era in grado di trasferire i precedenti studenti universitari impegnati.







Punteggio di credito: College di Toronto

“Una volta che sperimentiamo la simulazione, abbiamo broker che sono codificati per una condotta sicura e andranno a un certo livello seguendo la traiettoria migliore per arrivarci”, afferma Thomas. “Tuttavia, non è quello che fanno gli individui nella vita reale”.

Quando le persone si trasferiscono per mezzo di aree, possono affrettarsi o smettere bruscamente di parlare con un’altra persona o cambiare direzione. Per far fronte a questo tipo di condotta, la comunità utilizza un approccio di studio automatico denominato studio autocontrollato.

Lo studio autocontrollato contrasta con il diverso , corrispondente allo studio rafforzato, il luogo in cui l’algoritmo impara a svolgere un’attività massimizzando una nozione di ricompensa in un metodo per tentativi ed errori. Sebbene questa strategia funzioni efficacemente per alcuni compiti, ad esempio un computer che studia per praticare uno sport corrispondente agli scacchi o al Go, non è la cosa migliore per questo tipo di navigazione.

“Insieme a , crei un campo nero che rende oscura la connessione tra l’ingresso, ciò che vede il robot, e l’uscita, o fa il robot”, afferma Thomas. “Potrebbe inoltre richiedere che il robotico fallisca molti casi prima di apprendere le chiamate corrette e non avevamo bisogno del nostro robotico per studiare andando a sbattere contro gli individui”.

Al contrario, lo studio autocontrollato è facile e comprensibile, il che significa che è più semplice vedere come la robotica sta facendo le sue scelte. Questa strategia può anche essere moderatamente incentrata sul punto piuttosto che sull’oggetto, il che suggerisce che la comunità ha una migliore interpretazione della conoscenza del sensore crudo, consentendo previsioni multimodali.

“Molte strategie convenzionali rilevano gli individui come oggetti personali particolari e creano traiettorie per loro. Tuttavia, poiché il nostro manichino è incentrato sul punto, il nostro algoritmo non quantifica gli individui come oggetti di una persona particolare, tuttavia riconosce le aree in cui devono essere gli individui. E se hai un gruppo più numeroso di individui, il regno diventerà più grande”, afferma Thomas.

“Questa analisi offre un percorso promettente che avrebbe implicazioni costruttive in aree corrispondenti alla guida autonoma e alla fornitura robotica, il luogo in cui un’ambientazione non è del tutto prevedibile”.

Prima o poi, la troupe desidera vedere se amplierà la propria comunità per studiare spunti più delicati dalle parti dinamiche di una scena.

“Questo può richiedere molte più conoscenze di coaching”, afferma Barfoot. “Ma sicuramente deve essere fattibile perché ci siamo prefissati di generare le informazioni in un metodo computerizzato aggiuntivo: il luogo in cui il robotico può raccogliere conoscenze extra durante la navigazione, praticare mode predittive più elevate quando non è in funzione, dopodiché usa queste la volta successiva naviga in un’area.


Un modello per migliorare la capacità dei robot di consegnare oggetti agli esseri umani


Informazioni extra:

Hugues Thomas, Matthieu Gallet de Saint Aurin, Jian Zhang, Timothy D. Barfoot, Studiare le mappe della griglia di occupazione spaziotemporale per la navigazione permanente in scene dinamiche. arXiv:2108.10585v2 [cs.RO], doi.org/10.48550/arXiv.2108.10585

Quotazione:
I ricercatori progettano robot “socialmente consapevoli” che possono anticipare e tenersi lontani dagli individui durante il trasferimento (2022, 18 maggio)
recuperato il 19 maggio 2022
da https://techxplore.com/information/2022-05-socially-aware-robots-safely-people.html

Questo documento è soggetto a copyright. A parte ogni onesto trattamento a fini di esame o analisi personale, n
la metà potrebbe anche essere riprodotta senza il permesso scritto. Il materiale contenuto viene fornito esclusivamente per funzioni informative.



The Ultimate Managed Hosting Platform

Source link

Continue Reading

Trending