O comércio eletrônico continua a se expandir e atingiu novos patamares ainda maiores durante a recente temporada de festas de final de ano.
Notícias e novidades tecnológicas
Robô pegando objetos em uma caixa
Para atender rapidamente ao enorme volume e variedade de pedidos, empresas como Amazon, Walmart e Alibaba estão investindo pesadamente em novos armazéns.
Para resolver a escassez de trabalhadores, muitas empresas estão considerando usar robôs.
No entanto, pegar objetos com confiabilidade em uma gama diversificada de produtos, continua a ser um grande desafio para a robótica.
Em um artigo publicado na quarta-feira, 16 de janeiro de 2019, na Science Robotics, engenheiros da Universidade da Califórnia, em Berkeley, apresentam uma nova abordagem “ambidestra” para que o robô consiga pegar uma variedade de formas de objetos diferentes, sem treinamento.
Tipos de garra
Uma garra única não pode lidar com todos os tipos de objetos”, disse Jeff Mahler, pesquisador de pós-doutorado da UC Berkeley e principal autor do estudo.
“Por exemplo, uma ventosa não pode criar uma vedação em objetos porosos, como roupas, e garras de garras paralelas podem não alcançar os dois lados de algumas ferramentas e brinquedos.
Mahler trabalha no laboratório de Ken Goldberg, um professor da UC Berkeley com nomeações conjuntas no Departamento de Engenharia Elétrica e Ciências da Computação e no Departamento de Engenharia Industrial e Pesquisa Operacional.
Os sistemas robóticos usados na maioria dos centros de atendimento ao comércio eletrônico contam com garras de sucção que podem limitar o alcance de objetos que podem ser pegos.
O artigo da Universidade de Berkeley apresenta uma abordagem “ambidestra” que é compatível com uma variedade de tipos de garras.
Função de recompensa
A abordagem é baseada em uma “função de recompensa” comum para cada tipo de garra que quantifica a probabilidade de cada garra ter sucesso.
Isso permite que o sistema decida rapidamente qual pinça usar para cada situação.
Para computar efetivamente uma função de recompensa para cada tipo de pinça, o artigo descreve um processo para aprender funções de recompensa por treinamento em grandes conjuntos de dados sintéticos gerados rapidamente usando randomização de domínio estruturado e modelos analíticos de sensores e a física e geometria de cada pinça.
Quando os pesquisadores treinaram funções de recompensa para uma pinça de mandíbula paralela e uma garra de ventosa em um robô de dois braços, descobriram que seu sistema pegou as caixas com até 25 objetos inéditos para ele, a uma taxa de mais de 300 escolhas por hora, com 95 por cento de confiabilidade.
Quando você está em um armazém juntando pacotes para entrega, os objetos variam consideravelmente”, disse Goldberg. “Precisamos de uma variedade de garras para lidar com uma variedade de objetos.”
A pesquisa para este trabalho foi realizada no Laboratório de Ciência e Engenharia de Automação da AUT (Autolab) em afiliação com o Laboratório de Pesquisa de IA de Berkeley (BAIR), o Laboratório de Execução Segura Inteligente em Tempo Real (RISE) e o CITRIS “Pessoas e Robôs”. “Iniciativa (CPAR).
Curta a página do Código Fluente no Facebook
https://www.facebook.com/Codigofluente-338485370069035/
Vou deixar meu link de referidos na digitalocean pra vocês.
Quem se cadastrar por esse link, ganha $100.00 dólares de crédito na digitalocean:
Esse outro link é da one.com:
Obrigado, até a próxima. 😉
Fonte da notícia:
Materiais fornecidos pela Universidade da Califórnia – Berkeley.
Jornal de eferência:
Jeffrey Mahler, Matthew Matl, Vishal Satish, Michael Danielczuk, Bill DeRose, Stephen McKinley e Ken Goldberg. Aprender políticas ambiciosas de apreensão de robôs. Science Robotics, 16 de janeiro de 2019; DOI: 10.1126 / scirobotics.aau4984
