Hvorfor stole på din virksomhed til os?
Vi tager panikken fra indkøb. Vi lagrer millioner af svære at finde dele fra vores pålidelige kilder. Vi opdaterer vores produktoversigter efter minutter, og onlinekøb gennemføres i realtid og sendes hver dag.
Grundlagt i 2002 er MFGChips en lokal leder inden for distribution af elektroniske komponenter og er også anerkendt som en af de mest respekterede og innovative virksomheder på det lokale marked i dag. Med hovedkvarter i Hong Kong har MFGChips opnået et imponerende ry for at yde fremragende service og udvikle effektive, omfattende globale forsyningskædeløsninger.
Lær mere >
Robotter lærer objekttræk ved at ryste
Robotter kan nu finde ud af et objekts vægt og blødhed ved at ryste det ved kun at bruge sensorer, ingen kameraer eller værktøjer, der er nødvendige.
Forskere fra MIT, Amazon Robotics og University of British Columbia har udviklet en metode, der giver robotter mulighed for at lære om et objekts vægt, blødhed eller indhold ved forsigtigt at ryste det.Robotter kan bruge interne sensorer til at bestemme et objekts masse inden for få sekunder uden at kræve kameraer eller eksterne værktøjer.Denne lave omkostningsteknik er fordelagtig i miljøer, hvor kameraer muligvis ikke fungerer, såsom i mørke rum eller under katastrofegendannelse.
En vigtig del af metoden er en simuleringsproces, der modellerer både roboten og objektet, hvilket gør det muligt for roboten at identificere objektegenskaber under interaktion hurtigt.Teknikken er lige så effektiv som dyrere computervisionsmetoder.Det er robust nok til at håndtere en række usete scenarier, hvilket gør det til en alsidig løsning til forskellige robotapplikationer.
Føler signaler
Forskernes metode bruger propriosception, som er evnen til at føle bevægelse eller position, svarende til hvordan mennesker føler vægten af en håndvægt.En robot kan fornemme tyngden af et objekt gennem dens armfuger.Når roboten løfter et objekt, indsamler den data fra sine ledkodere, der måler placeringen og hastigheden på dens samlinger, hvilket gør metodens omkostningseffektive uden at have brug for ekstra sensorer som berøring eller vision trackere.Systemet bruger to modeller til robotens bevægelse og objektets opførsel.Ved at spore robotens bevægelser og bruge fællesdata viser algoritmen objektets egenskaber, som hvordan et tungere objekt bevæger sig langsommere end en lettere under den samme styrke.
Differentierbare simuleringer
Teknikken bruger differentierbar simulering til at forudsige, hvordan ændringer i et objekts egenskaber, såsom masse eller blødhed, påvirker robotens endelige fælles position.Forskerne håber at kombinere denne teknik med computervision for et mere kraftfuldt multimodalt system.De sigter også mod at anvende det på mere komplekse robotsystemer, som bløde robotter, og håndtere genstande som slosingvæsker eller granulære materialer.I sidste ende forestiller de sig, at denne teknik forbedrer robotlæring, hvilket gør det muligt for robotter at udvikle nye manipulationsevner og tilpasse sig skiftende miljøer hurtigt.