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

Published

on

The Ultimate Managed Hosting Platform

La produzione ottimizzata di celle {solari} di perovskite potrebbe benissimo essere accelerata grazie a un nuovissimo sistema di studio delle macchine. Credito: immagine della cella {solare} di Nicholas Rolston, Stanford, e curata da MIT Information. Illustrazione perovskite di Christine Daniloff, MIT.

Le perovskiti sono una famiglia di fornitori che attualmente possono essere il principale contendente per scambiare probabilmente immediatamente il fotovoltaico {solare} a base di silicio. Mantengono la promessa di pannelli che possono essere molto più sottili e leggeri, che possono benissimo essere realizzati con un rendimento ultra elevato a temperatura ambiente invece che a molti livelli e che possono essere più economici e più semplici da spostare e impostare su. Tuttavia, portare queste forniture da esperimenti di laboratorio gestiti direttamente in un prodotto che può essere fabbricato in modo competitivo è stata una battaglia lunga.

Produzione a base di perovskite include l’ottimizzazione diretta di un minimo di una dozzina di variabili, anche all’interno di una strategia di produzione esplicita tra molte potenzialità. Tuttavia un sistema nuovo di zecca basato principalmente su una nuova strategia per può accelerare l’evento di strategie di produzione ottimizzate e contribuire a rendere la seguente era di energia {solare} una realtà.

Il sistema, sviluppato dai ricercatori del MIT e dello Stanford College negli ultimi due anni, rende possibile la combinazione di informazioni provenienti da esperimenti precedenti e dati basati principalmente su osservazioni private di dipendenti qualificati, nel corso di studio della macchina. Ciò rende i risultati più corretti e ha già portato alla produzione di celle di perovskite con un’efficacia di conversione dell’energia del 18,5 %, una fase aggressiva per il mercato immediato.

L’analisi viene riportata immediatamente all’interno del giornale Joulein un articolo del professore di ingegneria meccanica del MIT Tonio Buonassisi, del professore di scienza e ingegneria delle forniture di Stanford Reinhold Dauskardt, dell’attuale assistente di analisi del MIT Zhe Liu, del dottorando di Stanford Nicholas Rolston e di altri tre.

Le perovskiti sono un branco di composti cristallini stratificati delineati dalla configurazione degli atomi del loro reticolo cristallino. Esistono milioni di tali composti fattibili e molti metodi alternativi per crearli. Mentre la maggior parte della crescita su scala di laboratorio delle forniture di perovskite utilizza un approccio di rivestimento a rotazione, ciò non è sensato per la produzione su larga scala, quindi aziende e laboratori di tutto il mondo hanno cercato di trovare metodi per tradurre queste forniture di laboratorio in un prodotto sensato e realizzabile.

“C’è sempre un grosso problema quando si tenta di seguire un corso su scala di laboratorio, dopodiché si passa a qualcosa come una startup o una linea di produzione”, afferma Rolston, che ora è assistente professore all’Arizona State Università. La forza lavoro ha verificato un corso che riteneva avesse il miglior potenziale, una tecnica nota come elaborazione rapida del plasma spray o RSPP.

Il corso di produzione di conterrebbe un pavimento roll-to-roll mobile, o sequenza di fogli, su cui le opzioni precursori per il composto di perovskite potrebbero essere spruzzate o stampate a getto d’inchiostro perché il foglio è rotolato. Il tessuto verrebbe quindi trasferito a una fase di polimerizzazione, offrendo una produzione rapida e costante “con produttività che possono essere maggiori rispetto ad altre competenze fotovoltaiche”, afferma Rolston.

“La vera svolta con questa piattaforma è che potrebbe consentirci di scalare in un approccio che nessun materiale diverso ci ha permesso di fare”, fornisce. “Anche forniture come il silicio richiedono tempi molto più lunghi a causa dell’elaborazione che viene eseguita. Considerando che forse puoi considerare [this approach as more] come un ritratto spray.

All’interno di quel corso, un minimo di una dozzina di variabili potrebbero avere un effetto sul risultato, alcune delle quali più controllabili di altre. Questi comprendono la composizione delle forniture iniziali, la temperatura, l’umidità, la velocità del percorso di lavorazione, lo spazio dell’ugello utilizzato per spruzzare il tessuto su un substrato e le strategie di polimerizzazione del tessuto. Molti di questi elementi possono lavorare insieme e, se il metodo è all’aria aperta, anche l’umidità, ad esempio, potrebbe essere incontrollata. Non è possibile valutare tutte le combinazioni fattibili di queste variabili per mezzo della sperimentazione, quindi lo studio della macchina è stato voluto per aiutare l’informazione nel corso sperimentale.

Tuttavia, mentre la maggior parte dei metodi di apprendimento automatico utilizza informazioni non cotte che assomigliano a misurazioni dell'{elettrico} e diverse proprietà di prendere un’occhiata ai campioni, a volte non incorporano l’esperienza umana che assomiglia alle osservazioni qualitative fatte dagli sperimentatori delle proprietà visibili e diverse del rilevamento uno sguardo a campioni o informazioni da diversi esperimenti riportati da diversi ricercatori. Quindi, la forza lavoro ha scoperto un’opzione per incorporare tali informazioni all’aperto nel utilizzando un problema di probabilità basato principalmente su un approccio matematico noto come ottimizzazione bayesiana.

Utilizzando il sistema, dice, “avendo un manichino che proviene da informazioni sperimentali, scopriremo sviluppi che non eravamo in grado di vedere prima”. Ad esempio, inizialmente avevano problemi a regolare le variazioni incontrollate dell’umidità dell’ambiente. Tuttavia il manichino li ha confermati “che possiamo superare i nostri problemi di umidità alterando la temperatura, ad esempio, e alterando un certo numero di diverse manopole”.

Il sistema ora consente agli sperimentatori di informazioni molto più rapidamente sul loro percorso per essere in grado di ottimizzarlo per un determinato insieme di circostanze o risultati richiesti. Dei loro esperimenti, la forza lavoro mirava all’ottimizzazione della produzione di capacità, tuttavia il sistema viene anche utilizzato per incorporare contemporaneamente standard diversi, simili a prezzo e robustezza, una cosa su cui i membri della forza lavoro stanno perseverando su cui lavorare, dice Buonassisi.

I ricercatori sono stati ispirati dalla Divisione dell’Energia, che ha sponsorizzato il lavoro, per commercializzare l’esperienza, e quindi sono attualmente specializzati nel passaggio di tecnologia ai produttori attuali di perovskite. “Stiamo contattando le aziende ora”, dice Buonassisi, e il codice che hanno sviluppato è stato reso liberamente ottenibile tramite un server open source. “Ora è su GitHub, chiunque può ottenerlo, chiunque può eseguirlo”, afferma. “Siamo a nostro agio nell’aiutare le aziende a iniziare a utilizzare il nostro codice.”

Già, un certo numero di aziende si stanno attrezzando tanto quanto produrre pannelli {solari} a base di perovskite, anche se stanno comunque comprendendo i punti principali del modo per produrli, dice Liu, che ora fa parte del Northwestern Polytechnical College di Xi’an , Cina. Dice che le aziende non ci saranno se non la produzione su larga scala, tuttavia, in sostituzione che iniziano con scopi più piccoli e di alto valore che ricordano le piastrelle {solari} integrate negli edifici, l’aspetto del luogo è vitale. Tre di queste aziende “sono sotto osservazione o sono spinte dagli acquirenti a fabbricare moduli rettangolari di 1 metro per 2 metri [comparable to today’s most common solar panels]entro due anni,” dice.

“Il problema è che non hanno un consenso su quale esperienza di produzione utilizzare”, afferma Liu. La tecnica RSPP, sviluppata a Stanford, “ha comunque una superba probabilità” di essere aggressiva, dice. E il sistema di studio delle macchine sviluppato dalla forza lavoro potrebbe rivelarsi vitale nel guidare l’ottimizzazione di qualunque corso, alla fine finisce per abituarsi.

“Il primo obiettivo era velocizzare il metodo, quindi sono stati necessari molto meno tempo, molto meno esperimenti e meno ore umane per sviluppare una cosa che fosse utilizzabile istantaneamente, senza alcun costo, per le aziende”, afferma.

“Il lavoro attuale sulla fabbricazione fotovoltaica di perovskite basata sull’apprendimento automatico si concentra in gran parte sullo spin-coating, un approccio su scala di laboratorio”, afferma Ted Sargent, professore universitario al College of Toronto, che non era correlato a questo lavoro, che secondo lui dimostra “un flusso di lavoro che è prontamente adattato ai metodi di deposizione che dominano il business dei film sottili. Solo una manciata di team ha l’esperienza simultanea in ingegneria e calcolo per guidare tali progressi”. Sargent afferma che questa strategia “potrebbe benissimo essere un entusiasmante progresso per la produzione di una famiglia più ampia di forniture” insieme a LED, diverse scienze applicate al fotovoltaico e grafene, “in breve, qualsiasi attività commerciale che fa uso di qualche tipo di vapore o deposizione sotto vuoto”.


La nuova tecnica aumenta l’efficienza e la sostenibilità delle celle solari a perovskite su larga scala


Informazioni extra:

Zhe Liu et al, Studio della macchina con vincoli di informazione per il corso di ottimizzazione della produzione di celle {solari} di perovskite all’aperto, Joule (2022). DOI: 10.1016/j.joule.2022.03.003

Quotazione:
Gli ingegneri arruolano l’IA per aiutare a incrementare la produzione di celle {solari} di livello superiore (2022, 13 aprile)
recuperato il 22 aprile 2022
da https://techxplore.com/information/2022-04-ai-scale-advanced-solar-cell.html

Questo documento è soggetto a copyright. Al di fuori di qualsiasi 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

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

Ultime notizie

Nuovo metodo per eliminare gli attacchi informatici in meno di un secondo – L’ultima novità nell’intelligenza artificiale | Robotica AI

Published

on

New method to kill cyberattacks in less than a second

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