Защо да се доверите на бизнеса си на нас?
Ние изваждаме паниката от обществените поръчки. Ние съхраняваме милиони трудно откриваеми части от нашите надеждни източници. Освежаваме нашите списъци с продукти по минути, а онлайн покупките се извършват в реално време и се доставят всеки ден.
Основана през 2002 г., MFGChips е местен лидер в дистрибуцията на електронни компоненти и освен това е призната за една от най-уважаваните и иновативни компании на местния пазар днес. Със седалище в Хонг Конг, MFGChips спечели впечатляваща репутация за предоставянето на изключителни услуги и разработването на ефективни, цялостни решения за световната верига на доставки.
Научете повече >
Роботите научават черти на обекти, като се разклащат
Сега роботите могат да разберат теглото и мекотата на обекта, като го разклатят, използвайки само сензори, не са необходими камери или инструменти.
Изследователи от MIT, Amazon Robotics и Университета на Британска Колумбия са разработили метод, който позволява на роботите да научат за теглото, мекотата или съдържанието на обекта, като нежно го разтърсват.Роботите могат да използват вътрешни сензори, за да определят масата на обекта в рамките на секунди, без да изискват камери или външни инструменти.Тази евтина техника е полезна в среда, в която камерите може да не работят, например в тъмни пространства или по време на възстановяване при бедствия.
Ключова част от метода е процес на симулация, който моделира както робота, така и обекта, което позволява на робота да идентифицира характеристиките на обекта по време на взаимодействие бързо.Техниката е толкова ефективна, колкото по -скъпите методи за компютърно зрение.Той е достатъчно здрав, за да се справи с различни невиждани сценарии, което го прави универсално решение за различни роботизирани приложения.
Сензорни сигнали
Методът на изследователите използва проприоцепция, която е способността да усеща движение или позиция, подобно на това как хората усещат тежестта на дъмбела.Роботът може да усети тежестта на обект през ставите на ръката си.Тъй като роботът повдига обект, той събира данни от своите съвместни енкодери, които измерват позицията и скоростта на неговите стави, което прави метода рентабилен, без да се нуждае от допълнителни сензори като Touch или Vision Trackers.Системата използва два модела за движението на робота и поведението на обекта.Проследявайки движенията на робота и използвайки съвместните данни, алгоритъмът фигурира свойствата на обекта, например как по -тежък обект се движи по -бавно, отколкото по -лек под същата сила.
Различими симулации
Техниката използва диференцируема симулация, за да предвиди как промените в свойствата на обекта, като маса или мекота, влияят на окончателната съвместна позиция на робота.Изследователите се надяват да комбинират тази техника с компютърно зрение за по -мощна мултимодална система.Те също така се стремят да го прилагат върху по -сложни роботизирани системи, като меки роботи и да обработват предмети като разрязване на течности или гранулирани материали.В крайна сметка те предвиждат тази техника да подобри обучението на роботи, което позволява на роботите да развиват нови умения за манипулация и да се адаптират бързо към променящата се среда.