JavaScript is currently disabled.Please enable it for a better experience of Jumi.

Ihmisille helppo operaatio eli epäsäännööisen muotoisiin esineisiin tarttuminen on erittäin hankala tehtävä roboteille. Berkeley Labin robottirakentajat ovat kehittäneet niin näppäräsormisen robotin, että se osaa 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 oppiessaan poimimaan 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, josta 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.

Veijo Hänninen

Nanobittejä 7.6.2017

 
 

LTE-mikroverkot tuovat yhteydet jopa kaivokseen

Erityisesti teollisuuden tarpeisiin sopivat LTE-mikroverkot ovat vähitellen siirtymässä pilottikohteista tuotantokäyttöön. Teknologia tarjoaa teollisuudelle uudenlaisia mahdollisuuksia, hyvää käytettävyyttä ja vahvaa tietoturvaa.

Lue lisää...

Moniydinsuorittimet tulevat lentokoneisiin

Ilmailun turvakriittisissä ohjausjärjestelmissä on aiemmin pitäydytty perinteisiin yhden ytimen prosessoriratkaisuihin. Nyt ilmailualallakin aletaan yleistä kehitystä seuraten siirtyä moniytimisiin suoritinarkkitehtuureihin.

Lue lisää...
 
ETN_fi Älä käytä verkkopankkia julkisilla laitteilla tai wifillä! https://t.co/oghm4QvzPj
ETN_fi Tämän takia Linux ei valtaa työpöytiä https://t.co/GmLMkZ7C1q
ETN_fi The 1st ever ETNdigi is out! Ensimmäinen ETNdigi ilmestyi – lue vankka paketti IoT-tekniikasta https://t.co/AeNPCRgufC
ETN_fi What is Mindsphere IoT by Siemens?. Ilmari Veijola explains at ECF2018. https://t.co/PczsxwpCO4 @SiemensSuomi @ETN_fi
ETN_fi You dont need code to create an Android app. It can be done on Simulink and MATLAB models. See Antti Löytynoja at E… https://t.co/VJzXEfJoOM
 
 

ny template