ప్రజలు తమ చేతుల్లో పట్టుకున్న వస్తువులు మరియు వారు చేసే పనిని బట్టి వారి ప్రవర్తనను మార్చుకునే సామర్థ్యంతో జన్మించారు. ఉదాహరణకు, విద్యార్థులు కొన్ని పండ్లు లేదా కూరగాయలను కత్తిరించేటప్పుడు బయటి చర్మాన్ని జాగ్రత్తగా తొలగించడం లేదా అవకాడోలు లేదా పీచు గింజలు వంటి కఠినమైన భాగాలను కత్తిరించడం నేర్చుకోవచ్చు.
వంట మరియు భోజనం తయారీ వంటి సాధారణ పనులలో మానవులకు సహాయం చేయడానికి రోబోట్లు తప్పనిసరిగా మిశ్రమ పదార్థాల కూర్పులు లేదా అల్లికలతో వస్తువులను సమర్థవంతంగా కత్తిరించగలగాలి. కానీ ఈ సామర్థ్యాన్ని రోబోట్‌లకు బదిలీ చేయడం ఇప్పటివరకు చాలా కష్టమని నిరూపించబడింది.
RoboNinja, ఇటీవల కొలంబియా విశ్వవిద్యాలయం, CMU, UC బర్కిలీ మరియు ఇతర అమెరికన్ సంస్థల పరిశోధకులు అభివృద్ధి చేసిన మెషీన్ లెర్నింగ్-ఆధారిత వ్యవస్థ, రోబోట్లు బహుళ-మెటీరియల్ వస్తువులను, ముఖ్యంగా హార్డ్ కోర్లతో మృదువైన వస్తువులను కత్తిరించేలా చేయగలవు. ArXiv ప్రిప్రింట్ సేవలో ప్రచురించబడిన అతని కథనాలు, ఇంటి పనులు మరియు రోజువారీ వంట పనులలో ప్రజలకు సహాయపడటానికి సృష్టించబడిన రోబోట్‌ల నైపుణ్యాలను మెరుగుపరచడంలో దోహదపడతాయి.
Zhenjia Xu, Zhou Xian మరియు సహచరులు తమ పేపర్‌లో, RoboNinja హార్డ్ కోర్‌ను సంరక్షించేటప్పుడు ఒక వస్తువు యొక్క మృదువైన భాగాన్ని తొలగించాలని లక్ష్యంగా పెట్టుకుంది, తద్వారా సామర్థ్యాన్ని గరిష్టం చేస్తుంది, మునుపటి అధ్యయనాల మాదిరిగా కాకుండా ఒకే-పదార్థ వస్తువులను కత్తిరించడానికి ఓపెన్-లూప్ కట్టింగ్ చర్యలను ఉపయోగించింది ( దోసకాయలను ముక్కలు చేయడం వంటివి). మా విధానం దీన్ని చేయడానికి ఇంటరాక్టివ్ స్టేట్ ఎస్టిమేటర్‌ను మరియు పర్సెప్షన్-యాక్షన్ లూప్‌ను మూసివేయడానికి అనుకూల అంతరాయ విధానాన్ని ఉపయోగిస్తుంది.
కంప్యూటర్ ప్రోగ్రామ్‌ను ఉపయోగించి, వారు ఏదైనా కంప్యూటర్‌లో రన్ చేయగల కంప్యూటర్ ప్రోగ్రామ్‌ను రూపొందించడానికి అనుమతించే కంప్యూటర్ ప్రోగ్రామ్‌ను రూపొందించగలిగారు. కేంద్ర విత్తనంతో ఘర్షణలను తగ్గించడం మరియు వీలైనంత తక్కువ శక్తిని ఉపయోగించడం ద్వారా వీలైనంత ఎక్కువ పల్ప్‌ను తీయడం వ్యవస్థ యొక్క లక్ష్యాలు.
రోబోట్లు మరియు అభివృద్ధి చెందిన అల్గారిథమ్‌ల కట్టింగ్ ప్రక్రియలు
జు, జియాన్ మరియు సహచరుల కాగితం ప్రకారం, ఒక వస్తువు యొక్క కోర్ యొక్క స్థానం మరియు జ్యామితిని పదేపదే అంచనా వేయడానికి సిస్టమ్ స్పర్స్ తాకిడి సమాచారాన్ని ఉపయోగిస్తుంది, ఆపై అంచనా వేసిన స్థితి మరియు సహనం విలువ ఆధారంగా క్లోజ్డ్-లూప్ అంతరాయ చర్యలను సృష్టిస్తుంది. ప్రకటన ప్రకారం, "అంచనా వేసిన కెర్నల్ నుండి అనుకూల భద్రతా దూరాన్ని నిర్వహించడం ద్వారా ఢీకొన్నప్పుడు సహనం విలువ విధానం యొక్క సంప్రదాయవాదాన్ని మారుస్తుంది".
బహుళ-పదార్థ వస్తువులను కత్తిరించడానికి వారి వ్యవస్థను అంచనా వేయడానికి, పరిశోధకులు వారు ఎదుర్కొన్న సవాలుకు మరింత సరిపోయే కట్టింగ్ అనుకరణ వాతావరణాన్ని అభివృద్ధి చేశారు. ఈ వాతావరణంలో, రోబోట్ కఠినమైన మరియు మృదువైన పదార్థాల కలయికతో చేసిన వస్తువులను వివిధ మార్గాల్లో కత్తిరించగలదు.
జు, జియాన్ మరియు ఇతరుల పేపర్ ప్రకారం, “ప్రస్తుత సిమ్యులేటర్‌లు బహుళ-పదార్థ ఉత్పత్తులను అనుకరించడంలో లేదా కట్టింగ్ ప్రక్రియ అంతటా శక్తి వినియోగాన్ని లెక్కించడంలో పరిమితం చేయబడ్డాయి. ఈ సమస్యను పరిష్కరించడానికి, మేము బహుళ-మెటీరియల్ కనెక్టివిటీకి మద్దతిచ్చే డిఫరెన్సిబుల్ షీర్ సిమ్యులేటర్‌ని సృష్టిస్తున్నాము మరియు పాలసీ లెర్నింగ్ కోసం నమూనా ఆప్టిమైజ్ చేసిన పథాల సృష్టిని ప్రారంభిస్తాము.
రోబో నింజా జు, జియాన్ మరియు సహోద్యోగుల రోబోటిక్ గ్రిప్పర్ యొక్క అనుకరణలను వస్తువుల నుండి గణనీయమైన మొత్తంలో మృదువైన పదార్థాన్ని సేకరించేందుకు వీలు కల్పించింది, అదే సమయంలో కఠినమైన భాగాలతో ఢీకొనడాన్ని పరిమితం చేస్తుంది మరియు భరించదగిన శక్తిని వినియోగిస్తుంది. వాస్తవ-ప్రపంచ దృశ్యాలలో ఫ్రేమ్‌వర్క్ పనితీరును మరింత ధృవీకరించడానికి మరియు వివిధ ప్రధాన జ్యామితితో వస్తువులను కత్తిరించేటప్పుడు, బృందం దానిని నిజమైన రోబోటిక్ గ్రిప్పర్‌లో పరీక్షించింది.
వారి నివేదికలో, పరిశోధకులు మా ట్రయల్స్ వినూత్న కోర్ జ్యామితులు మరియు నిజమైన ఫలాలకు మా వ్యూహం యొక్క సాధారణీకరణను ప్రదర్శించాయని రాశారు. "మా ప్రయోగాల ఫలితాలు మరియు కొత్తగా సృష్టించిన సిమ్యులేటర్ బహుళ-పదార్థ అంశాలతో పరస్పర చర్యలతో కూడిన రోబోట్ లెర్నింగ్‌పై మరింత పరిశోధనను ప్రోత్సహిస్తుందని మేము ఆశిస్తున్నాము" అని రచయితలు వ్రాస్తారు.
మూలం: Techxplore
Günceleme: 14/03/2023 14:36