Kako biste industrijskog robota istrenirali da radi neki posao obično morate voditi njegove ruke prema određenom uzorku i potom svaku najmanju akciju skladištiti kako biste dobili sekvencu koja će mu omogućiti rad na pokretnoj traci tipa hvatanja, okretanja, šrafljenja i varenja delova automobila ili nekog drugog objekta. Taj način programiranja je dobar ako se radi o zadatku koji se stalno ponavlja, ali ako robota želite učiniti svestranijim i uspešnijim u prepoznavanju sveta oko sebe onda ga morate opremiti algoritmima dubokog mašinskog učenja i ogromnom bazom podataka koju će analizirati kako bi mogao delovati prema vašim željama i očekivanjima.

Naučnicima Univerziteta u Kaliforniji iz Berkeleya i istraživačkog odseka firme Siemens razvijaju Dexterity mrežu koja koristi algoritme dubokog i mašinskog učenja kako bi omogućila robotu hvatanje objekata nepravilnih oblika koje nikada nije video uživo. Prva verzija mreže algoritmima je ponudila bazu od 10 hiljada 3D objekata koje su analizirali, dok nova verzija pod nazivom Dex-Net 2.0 poseduje bazu sa čak 6 miliona, čime se robotu omogućuje precizno hvatanje objekata sa kojima nikada nije manipulisao uz uspešnost od čak 98%, kao što možete videti u predloženom videu.

Robot je spojen na 3D senzor i duboku neuralnu mrežu "nahranjenu" objektima i podacima o oblicima, vizuelnom izgledu te fizici koja mu govori kako im pristupiti i uhvatiti ih.

Naučnici kažu da ova metoda treniranja robotima i naučnicima štedi mesece fizičkog programiranja te će im omogućiti da roboti dođu u mogućnost izvođenja velikog broja raznovrsnih zadataka uz veliku preciznost i sigurnost po objekte, opremu i ljude.

 

 

Izvor: vidi.hr