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

 
 

Pelottaako kuvien varmuuskopiointi verkkoon? Harkitse omaa pilveä

Viime vuonna otettiin huikeat 1,2 biljoonaa eli 1200 miljardia digitaalista valokuvaa1, joista noin 85 prosenttia älypuhelimilla. Kuvat säilyttävät muistojamme, jotta voimme palata myöhemmin niihin hetkiin, jotka muovaavat elämäämme ja kertovat tarinoitamme perheellemme ja ystävillemme. Puhelimen kadottaminen saattaa kuitenkin tarkoittaa myös näiden arvokkaiden muistojen hukkaamista. Niinpä on ehdottoman tärkeää varmistaa, että niistä on varmuuskopio.

Lue lisää...

IoT-suunnittelusta demokraattisempaa – avoimen koodin korteilla ja yhteisöjen tuella

Avoimen koodin ohjelmistojen rinnalle ovat tulossa avoimen koodin laitteistot ja kortit. Niiden ja suunnittelijayhteisöjen avulla yhä useampi rakentelija voi saada IoT-suunnittelunsa valmiiksi tuotteeksi asti.

Lue lisää...
 
ETN_fi Langaton anturi kertoo betonin kosteuden https://t.co/QF085IazLJ @MatoEngineering @japikas @FinnBuild
ETN_fi Phoenix Contact ostaa kaksi saksalaista yritystä: SKS Kontakttechnik keskittyy sähkömekaniikkaan, Pulsotronic GmbH… https://t.co/AfQDWxGQ6x
ETN_fi First truly black solar modules roll off industrial production line @AaltoUniversity https://t.co/ym11lOA2lL
ETN_fi Telian toimitusjohtaja: 5G-datassa kokeillaan uusia hintamalleja https://t.co/we8ryxGl4D @teliafinland
 
 

ny template