Робототехника инструкция по сборке роботов: Инструкции по сборке LEGO® MINDSTORMS Education EV3. Схемы сборки

Панель задач 2 () содержит три подузла ременного (или цепного) привода, каждый из которых состоит из ремня, механизма натяжения ремня и двух холостых шкивов. Дополнительные детали включают металлические хомуты и винты с шестигранной головкой разных размеров. Конкретными объектами для Задания 2 являются металлические хомуты, шкивы и звездочки, ремни, винты с шестигранной головкой и механизмы натяжения ремня.

Полностью собранная доска задач 2

1) Описание задачи

Задачи для этой платы основаны на задачах, выполняемых на доске задач 1.В отличие от доски задач 1, эта доска требует поэтапного подхода, вынуждающего пользователя выполнить один шаг сборки перед переходом к следующему шагу. Разобранная доска начинается с шестью пустыми колышками и механизмами натяжения ремня, которые уже установлены. Начиная с разобранной платы, ниже приведены описания задач в порядке сборки.

a) Выравнивание и установка металлических хомутов

Эта задача аналогична вставке круглого штифта в отверстие, описанной на доске задач 1, но вместо этого хомуты разного диаметра и длины (отверстия) манипулируют и устанавливают на штифт .

b) Выравнивание и установка шкивов и звездочек

Задания по установке аналогичны хомутам, но с большей сложностью из-за большего веса и геометрии. Шкивы различаются по размеру, форме и весу.

c) Завинчивание винтов с шестигранной головкой

В этой задаче инвертируется задача нарезания гайки, выполняемая на доске задач 1, требуя, чтобы робот ввинчивал винт в резьбовой конец металлического вала.

d) Установка ремней

Эта задача требует захвата, размещения, наматывания и / или натяжения, зацепления шестерен и освобождения / повторного захвата гибких частей.Используются три типа ремней: ремень с круглым поперечным сечением, который сидит в канавке шкива, ремень ГРМ с прямоугольными зубьями для зацепления и цепь для зацепления со звездочками. Ремни различаются по эластичности, форме, жесткости, материалу и весу.

e) Приведение в действие механизмов натяжения

На этой доске задач используются три различных механизма натяжения ремня (винтовые, пазовые и пружинные). В узле круглого ремня используется скользящий в боковом направлении штифт в прорези, который можно заблокировать при приложении необходимого натяжения.Узел ремня газораспределительного механизма включает в себя пружинный механизм натяжения, который необходимо разблокировать и задействовать при установке ремня. В цепи используется натяжной механизм, который приводится в действие вращением небольшой головки болта со стороны натяжного механизма, который медленно подталкивает натяжной ролик на место.

2) Обсуждение конструкции

Эта доска задач была разработана для создания рабочего узла, который в дополнение к компонентам на доске задач 1 включает гибкие компоненты. Окончательная система может быть протестирована для ручного управления, когда вращение одного вала передается через ремень, чтобы вращать другой.Ремень должен постоянно оставаться в натянутом состоянии. Выбранные узлы были основаны на имеющихся в продаже ремнях и шкивах, используемых для различных областей применения. Дизайн этой доски задач не был основан на времени обработки, указанном в [14], и поэтому таблица для оценки обработки не может быть предоставлена.

C. Доска задач 3

Доска задач 3 посвящена жгуту проводов и была разработана для количественной оценки способности роботизированной системы манипулировать гибкими проводами. Помимо манипуляций, система должна обеспечивать передачу и отключение / повторное получение кабелей.Конструктивные факторы включают толщину, форму и жесткость кабеля, а также расположение и расстояние между препятствиями.

1) Описание задачи

Task Board 3 () оценивает обращение с кабелями с различными уровнями сложности прокладки, включая прокладку кабелей вокруг колышков, через зажимы с разной ориентацией и через трубки. Каждая задача по прокладке кабеля заканчивается подключением разъема к приемнику, расположенному на доске задач в конце маршрута. Специфическими объектами для Task Board 3 являются три разных типа кабелей.У этой платы нет отдельно стоящих сборочных деталей, кабели остаются прикрепленными к плате при разборке.

Полностью собранная доска задач 3

a) Получение / обработка незакрепленных деталей

Эта задача основана на гибкости обращения с деталями, которая оценивается Системой задач 2. Задача требует способности захватывать кабель и манипулировать им по-разному для каждого из конкретных задачи на доске.

b) Прокладка кабелей

Каждый кабель проложен между двумя штифтами на панели задач.Открытость штифтов и жесткость тросов требуют постоянного поддержания натяжения при переходе к следующей задаче. Колышки различаются по высоте в зависимости от толщины кабеля.

c) Плетение / Размещение незакрепленных частей

Эта задача требует, чтобы пользователь аккуратно поместил кабель в зажимы в трех различных ориентациях. Закрытие зажима вокруг кабеля гарантирует, что кабель должен быть правильно размещен. На этой плате представлены три зажима в трех ориентациях для каждого кабеля.Зажимы различаются по размеру и форме в зависимости от кабеля.

d) Передача и / или отсоединение и повторное получение кабелей

Каждый кабель должен проходить через трубку, которая на 50% больше, чем толщина разъемов на концах кабеля. Для этого необходимо освободить и снова схватить кабель, чтобы пропустить его через трубку. Использование второго манипулятора позволяет передавать кабель через трубку. Трубки различаются по размеру в зависимости от размера кабеля.

e) Соединительные кабели

Завершение Task Board 3 — это запрессовка кабельного разъема в фитинг с внутренней резьбой (аналогично тем, что есть на Task Board 1).

2) Обсуждение конструкции

Задачи по обращению, провода / кабели и разъемы были выбраны на основе данных по обращению, представленных в [14], так что время ручной обработки для задачи, выполняемой человеком, можно напрямую сравнить с ту же задачу выполняет робот. Провода / кабели для Task Board 3 были выбраны на основе широко используемых коммерчески доступных материалов, которые соответствуют категориям, определенным Boothroyd. Например, кабель с аудиоразъемом представляет собой одиночный гибкий кабель с круглым разъемом, а последовательный кабель — это плоский ленточный кабель с прямоугольным разъемом.

показывает экспериментальное время обработки для задач, специфичных для этой платы, с учетом значений и уравнений, полученных из экспериментов, проведенных Бутройдом и др. [14].

IV. Протокол

Независимо от платы задач существует два основных режима тестирования — разборка и сборка. Тесты предназначены для оценки производительности интегрированной роботизированной системы, включая восприятие и локализацию доски задач, компонентов и места назначения или исходного бункера. Случайное размещение компонентов сборки позволяет протестировать цикл восприятие-планирование-действие.В приведенных ниже списках показаны действия, которые разрешены / запрещены во время операций на доске задач и сборки.

В конечном итоге этот протокол следует использовать для тестирования универсальности и гибкой автономности роботизированных систем сборки с использованием различных досок задач и позиционной рандомизации.Используемый вариант протокола должен оставаться постоянным для сравнения двух разных систем или сравнения технологий, используемых в одной системе.

A. Разборка

Полностью собранная доска производственных заданий помещается на стол рядом с пустым контейнером, как показано на рис. Задача роботизированной системы — удалить все компоненты с платы и поместить их в заранее определенный контейнер. Шаги протокола следующие:

Настройка разборки до начала соревнований, используемая во время Международной конференции по интеллектуальным роботам (IROS) 2017 г. «Проблема захвата и манипулирования: производственный путь».Полностью собранная панель задач находится слева, а справа — лоток для разобранных деталей.

1. Поместите доску задач в рабочий объем роботизированной системы (положение доски задач и расположения деталей фиксировано или произвольно в зависимости от возможностей системы).

2. Поместите контейнер для размещения разобранных деталей в рабочем объеме роботизированной системы (положение контейнера фиксировано или произвольно в зависимости от возможностей системы).

3. Инициализация времени, запись времени начала T _start .

4. Если используется, выполните программирование вручную.

5. Запустить автономную работу робототехнической системы.

6. Роботизированная система разбирает деталь с доски задач.

7. Роботизированная система помещает снятую деталь в соответствующий контейнер.

8. Повторите шаги 6 и 7 для всех деталей на доске задач.

9. Запишите время финиша T _финиш .

10. Повторите этот протокол для желаемого количества попыток тестируемой панели задач.

B. Сборка

Полностью разобранная доска производственных заданий помещается на стол вместе с установкой набора (). Область комплекта и место на доске задач размещаются на поверхности. Задача роботизированной системы — захватить все компоненты из набора и вставить их в соответствующие места на доске задач. Шаги протокола следующие:

Настройка сборки до начала соревнования, используемая во время IROS 2017 Grasping and Manipulation Challenge: Manufacturing Track.Доска задач в разобранном виде находится слева. Компоновка комплекта справа используется в качестве шаблона для представления деталей роботизированной системе.

1. Поместите доску задач в рабочий объем роботизированной системы (положение доски задач и расположения деталей фиксировано или произвольно в зависимости от возможностей системы).

2. Поместите комплект деталей, которые необходимо собрать, в рабочий объем роботизированной системы (положение комплекта и расположение деталей фиксировано или произвольно в зависимости от возможностей системы).

3. Инициализация времени, запись времени начала T _start .

4. Если используется, выполните программирование вручную.

5. Запустить автономную работу робототехнической системы.

6. Роботизированная система захватывает деталь из комплекта.

7. Роботизированная система собирает деталь на доску задач.

8. Повторите шаги 6 и 7 для всех деталей в комплекте.

9. Запишите время финиша T _финиш .

10. Повторите этот протокол для желаемого количества попыток тестируемой панели задач.

V. Показатели производительности

Показатели производительности, выбранные для оценки роботизированных сборочных систем, включают скорость и надежность. Скорость измеряется как время завершения задачи или подзадачи как

Ttaskboard = Tfinish − Tstart.

(1)

Завершение доски задач должно указываться как процент от общего количества баллов, полученных за каждую доску задач за разборку и сборку.

% В разобранном виде = (ActualScore / MaxScore) x100.

(2)

% Собранный = (ActualScore / MaxScore) x100.

(3)

Для каждого набора испытаний вычислите среднее значение, стандартное отклонение и 95% доверительный интервал времени завершения.

Надежность определяется как вероятность успешного выполнения задачи или подзадачи. Теоретическая верхняя граница вероятности успешной вставки компонента (PS) рассчитывается с учетом уровня достоверности (CL), количества успешных попыток (m) и количества независимых испытаний (n). Учитывая биномиальную кумулятивную функцию распределения,

F (m − 1; n, PS) = ∑i = 0m − 1 (ni) PSi (1 − PS) n − i≥CL,

(4)

PS — это его минимальное значение, при этом удовлетворяющее вышеуказанному неравенству.Оба эти показателя интуитивно понятны и относительно недороги в измерении.

Другие показатели могут включать измерение усилий, передаваемых роботом в процессе сборки [10], рентабельность роботизированного решения и энергоэффективность. Для вышеперечисленных протоколов мы фокусируемся на показателях скорости и надежности как напрямую, так и за счет использования балльной оценки для поддержки соревнований.

Для поддержки лабораторного тестирования робототехнических систем вероятность успеха основана на количестве испытаний доски задач и количестве завершенных сборочных деталей.Аналогичным образом измеряется время, необходимое для заполнения доски задач.

Для поддержки соревнований, в которых доски задач используются для быстрой оценки возможностей соревнующейся команды, была использована балльная система. Здесь процесс доски задач разбит на этапы захват-транспортировка-сборка / разборка, где баллы начисляются в зависимости от степени выполнения, а бонусные баллы начисляются за каждый шаг за автономность. Кроме того, после успешного завершения доски задач, на которой все части должным образом закреплены или сняты, начисляется бонус времени, если время выполнения команды падает ниже назначенного времени соревнования.Примеры использования доски задач в соревнованиях можно найти в разделе «Примеры использования».

VI. Сценарии использования

Эти протоколы тестирования роботизированных сборок разрабатывались в течение последних нескольких лет. Хотя в основном они использовались для поддержки соревнований, результаты исследований, в которых эти критерии используются для оценки производительности робототехнических систем, начинают появляться в научных кругах [15]. Ниже приведены некоторые варианты использования.

A. Конкурс IROS 2019 по захвату и манипулированию

Этот конкурс включал в себя обслуживание, производство и логистику.Производственный цикл включал одну задачу, состоящую из двух подзадач, разборки и сборки доски задач. Команды соревновались с целью разобрать и собрать доску задач, содержащую множество операций вставки, зацепления, завинчивания и маршрутизации деформируемого материала с использованием автономной роботизированной системы. Меньше времени, затрачиваемого на установку и программирование системы для работы, приводит к разборке и сборке большего количества компонентов за отведенное время. Компоненты системы Teams, получившие высокие оценки, включали комбинации видеодатчиков, датчиков силы, гибких систем захвата, а также использование данных CAD для деталей и сборок.Доска задач показана на.

Доска задач, использованная в конкурсе IROS 2019 по захвату и манипуляции роботами: Manufacturing Track

B. Всемирный саммит роботов (WRS) 2018

В этом конкурсе была разработана конструкция ременного привода () для выполнения трех задач конкурса [16] . Эти задачи включали: (1) сборку доски задач, которая содержала необходимые технические элементы для сборки блока ременного привода, как показано в, (2) скорость и точность операции комплектования в качестве подзадачи к сборке блока ременного привода, где указанные детали отбираются и помещаются в определенные области в лотках для комплектования деталей, (3) скорость и точность сборки блока ременного привода с использованием деталей, размещенных в лотках для комплектования деталей, и (4) неожиданный, командный- выбранный вариант ременного привода (аналогичный вариантам, найденным на доске задач 3 NIST) для проверки способности систем адаптироваться к небольшим изменениям в компонентах, которые необходимо собрать.Эти варианты показаны в -. См. [17] с описанием, правилами и оценками для этого соревнования.

Доска задач, использованная на Всемирном саммите роботов 2018: (a) установка до начала задачи сборки (b) собранная доска задач

Сборка ременного привода (a) и увеличивающиеся варианты конструкции (b) — (f) из WRS 2018

C. Соревнование IROS 2017 по захвату и манипуляции

Этот конкурс включал в себя сервис и производство. Производство состояло из двух задач: (1) разборка и сборка рабочей доски 1 и (2) строительство узла редуктора, который также служил пробным заданием для категории промышленной робототехники на World Robot Challenge, World Саммит роботов 2018.Здесь команды соревновались, чтобы разобрать () и собрать () доску задач 1, и были протестированы возможности команд. Обзор, правила и тесты, основанные на оценках, можно найти на веб-сайте производственного трека, который использовался для поддержки этого соревнования [18].

VII. Выводы.Мы надеемся, что данные, полученные в результате экспериментов, проводимых на досках задач, начнут подталкивать производителей и ученых к более инновационным решениям в области видения и управления силами при решении задач, связанных с сборкой. Исследователи также осознают огромное количество информации, которую можно извлечь из данных САПР, ресурса, который обычно легко доступен в области производственных приложений. По мере того, как пользователи начинают применять доски задач, ценные отзывы о применении и методологии помогут проводить доски задач через итерации, которые более точно соответствуют потребностям сообщества.Подобные доски задач будут использоваться для поддержки World Robot Summit, World Robot Challenge, Industrial Category в 2020 году. В целом, места проведения соревнований помогут проинформировать робототехническое сообщество об этих инструментах для сравнительных исследований.

ТАБЛИЦА I

Время эксперимента для обработки и установки колышков

Информация для авторов

Кеннет Кимбл, Национальный институт стандартов и технологий (NIST), 100 Bureau Drive, Gaithersburg, MD 20899 USA.

Карл Ван Вик, NVIDIA, 4545 Roosevelt Way, Seattle, WA 98105.

Джо Фалько, Национальный институт стандартов и технологий (NIST), 100 Bureau Drive, Gaithersburg, MD 20899 USA.

Елена Мессина, Национальный институт стандартов и технологий (NIST), 100 Bureau Drive, Gaithersburg, MD 20899 USA.

Ю Сун, Университет Южной Флориды (USF), 4202 E Fowler Ave., ENB. 118 Тампа, Флорида 33620 США.

Мидзухо Сибата, Университет Киндай, 1 Такая Уменобе, Хигаси-Хиросима, Хиросима, 739-2116, Япония.

Ватару Уэмура, Университет Рюкоку, 1-5 Seta Oh-e, Otsu City, Shiga 520-2194 Japan.

Yasuyoshi Yokokohji, Университет Кобе, 1-1 Rokkodai-cho, Nada-ku, Кобе 657-8501, Япония.

Ссылки

Оборудование и сборка Romi — документация конкурса FIRST Robotics Competition

Чтобы начать работу с Romi, вам понадобится необходимое оборудование.

Сборка

Робот-комплект Romi для FIRST предварительно припаян, и его нужно только собрать, прежде чем его можно будет использовать. Собрав все материалы, можно приступать к сборке:

1. Совместите зажимы двигателя с шасси, как показано, и плотно прижмите их к шасси, пока нижняя часть зажимов не будет на одном уровне с низом шасси (вы можете услышать несколько щелчков).

2. Вставьте мини-пластиковые мотор-редукторы в зажимы двигателя, пока они не встанут на место. Обратите внимание, что двигатель блокирует освобождение зажима, поэтому, если вам понадобится снять кронштейн двигателя позже, вам сначала нужно будет снять двигатель. Мини-пластиковые мотор-редукторы, которые поставляются с комплектом, имеют удлиненные валы двигателя, позволяющие использовать квадратурные энкодеры для обратной связи по положению.

3. Прижимайте колеса к выходным валам двигателей, пока вал двигателя не будет на одном уровне с внешней поверхностью колеса.Один из способов сделать это — установить колесо на ровную поверхность и выровнять шасси с ним так, чтобы плоская часть D-вала двигателя совпадала правильно с колесом. Затем опустите шасси, вдавливая вал двигателя в колесо до контакта с поверхностью.

4. Переверните шасси вверх дном и поместите три ролика для заднего шарнирного ролика в прорези в шасси. Поместите пластиковый шар диаметром 1 дюйм поверх трех роликов. Затем наденьте удерживающий зажим ролика над шаром в шасси, чтобы три ножки вошли в соответствующие отверстия.

5. Повторите то же самое для переднего ролика, чтобы он был спереди и сзади робота.

6. Дополнительно: передний ролик для шара поддерживается гибким рычагом, который действует как система подвески. Если вы хотите сделать его жестче, вы можете обернуть резинкой два крючка, расположенные по обе стороны от шарнирного ролика на верхней стороне корпуса.

7. Установите стойки для поддержки платы Raspberry Pi.Две стойки (резьбой вниз) устанавливаются в отверстия на стороне платы Romi, ближайшей к этикетке «Romi 32U4», как показано на рисунке. Гайки для этих стоек находятся внутри батарейного отсека. Две другие стойки входят в отверстия на противоположной стороне платы. Чтобы прикрепить их, вам понадобятся плоскогубцы, чтобы удерживать гайку, пока вы ввинчиваете стойки. Отверстия в кружках на изображении ниже показывают, куда должны идти стойки.

8. Шасси работает от четырех или шести батареек AA (мы рекомендуем использовать никель-металлгидридные аккумуляторные батареи AA).Правильная ориентация батарей обозначается отверстиями в форме батарей в корпусе Romi, а также индикаторами + и — в самом корпусе.

9. Присоедините плату Raspberry Pi вверх дном, аккуратно совместив разъем 2×20 контактов на Pi с разъемом 2×20 контактов на Romi. Надавите с равномерным усилием, стараясь не погнуть ни один из штифтов. После установки используйте прилагаемые винты, чтобы прикрепить плату Raspberry Pi к стойкам, которые были установлены на предыдущем шаге.

Примечание

Для двух винтов потребуется вставить гайку в шестигранное отверстие внутри аккумуляторного отсека. Расположение показано синими кружками на изображении выше.

Сборка шасси Romi завершена!

Роботизированная сборка — обзор

Можно видеть, что сборочные линии в основном подразделяются на два типа в зависимости от характера потока: прямые (традиционные) сборочные линии с одиночными и многопрофильными / смешанными продуктами и U-образные сборочные линии (также называемые U-образные) с одиночными и мульти / смешанными продуктами.Используя U-образную компоновку, производители могут увеличивать или уменьшать количество операторов в зависимости от спроса [1]. Используя U-образную компоновку, можно сократить время цикла и стоимость сборки, и эта способность привлекает различные отрасли промышленности к внедрению этой системы сборочной линии [34]. Задача RALB — это обобщенная форма традиционной задачи балансировки сборочной линии, в которой используется прямая роботизированная сборочная линия. Однако исследования U-образной сборочной линии роботов были минимальными. Мукунд Нилакантан и Поннамбалам [16] предложили оптимизацию роя частиц для решения задач балансировки роботизированной U-образной сборочной линии (RUALB) с целью минимизации времени цикла, когда количество рабочих станций фиксировано в U-образной компоновке сборочной линии.В следующих разделах представлены детали балансировки U-образной роботизированной сборочной линии и подробная информация о реализации для решения этой проблемы.

13.3.1 Допущения и математическая модель для балансировки U-образной сборочной линии роботов

Допущения, используемые для математической модели U-образной сборочной линии роботов, аналогичны предположениям, представленным в разделе 13.2.1. Представленная модель предназначена для задачи балансировки роботизированной U-образной сборочной линии (RUALB) с целью минимизации времени цикла при фиксированном количестве рабочих станций.Проблема в том, что для данного набора задач F = {g | g = 1,2, …, n} набор ограничений предшествования P = {(i, j) | задача i должна быть завершена до задачи j }, набор времен задачи T = {t (g) | g = 1,2, …, n} и время цикла C , чтобы найти набор подмножеств F , (L1, L2, …, LN), где La = {g | задача g выполняется на рабочей станции a}, а рабочие станции и задачи расположены в U-образной форме.

•

Переменные решения

xis = {1 если задача i назначена рабочей станции s0, в противном случае yh = {1 если робот h назначен рабочей станции s0, в противном случае

•

Ноль – одно целое число формулировка

(13.16) min⁡c = max1≤s≤Nw⁡ {∑i = 1Na∑i = 1Nwtih⋅xis⋅ysh

Для каждой задачи j :

(13.17) if (i, j) ∈P, i∈La, j∈Lb, то a≤b для всех i; orif (j, k) ∈P, y∈Lb, k∈Lc, то c≤b для всех k;

(13,18) ∑s = 1Nwxis = 1∀i

(13,19) ∑s = 1Nwysh = 1∀s

(13.20) xis∈ {0,1} ∀s, i

(13,21) ysh∈ { 0,1} ∀h, с

Целью модели (13.16) является минимизация времени цикла сборки роботов. Уравнение (13.17) гарантирует, что ограничения предшествования не нарушаются на U-образной сборочной линии.Уравнение (13.18) гарантирует, что каждая задача должна быть назначена одной рабочей станции, а уравнение (13.19) гарантирует, что каждая рабочая станция оснащена одним роботом. Целевая функция нелинейна. Следовательно, традиционными методами точной оптимизации трудно решить эту проблему.

13.3.2 Оптимизация роя частиц для решения проблем балансировки роботизированной U-образной сборочной линии

В этом разделе представлены подробности реализации PSO для решения проблем RUALB. Экспериментальные исследования, которые проводились для получения оптимальных параметров, объясняются в разделе 13.3.4.

(A) Начальное заполнение и начальная скорость

Та же процедура, что и в разделе 13.2.1 для решения прямой роботизированной сборочной линии, используется для решения задачи RUALB в [16]. Разработан новый метод оценки пригодности для решения задачи RUALB с целью минимизировать время цикла на U-образной сборочной линии роботов.

(B) Оценка пригодности в RUALB (распределение задач и роботов)

Эта эвристика распределяет задачи и роботов по рабочим станциям с целью минимизации времени цикла сборочной линии.Процедура начинается с начального времени цикла сборки C0. Процедура пытается распределить максимальное количество задач на каждой рабочей станции, и на U-образной сборочной линии задачи могут быть распределены на рабочую станцию ​​на U-образной сборочной линии, перемещаясь вперед и назад через диаграмму приоритета, тогда как на прямой сборочной линии это только вперед направление. Проверяется и выполняется распределение наиболее подходящего робота по рабочим местам. Если все задачи не могут быть назначены, C0 увеличивается на «единицу», и эта процедура повторяется до тех пор, пока все заданные задачи не будут распределены между рабочими станциями.Подробные шаги процедуры определения времени цикла роботизированной U-образной сборочной линии обсуждаются здесь на примере.

Шаг 1: Начальное значение времени цикла C0 — это среднее значение минимального времени работы роботов для вычисленных задач.

(13.22) Время начальной сборки C0 = [∑j = 1Namin1≤i≤Nr⁡tih / Nw]

Следующая возможная последовательность задач (1-3-2-4-5-6-7-9- 8-10-11) рассматривается для иллюстрации, а начальное время цикла рассчитывается с использованием времени работы робота, как показано в таблице 13.3. Первоначальный C0 для примера равен 109.

Шаг 2: На первой рабочей станции задачи распределяются таким образом, что процедура выбирает задачи с любой стороны заданной последовательности и проверяет, есть ли один или несколько роботов. может выполнять назначенные задачи в пределах C0. Набор назначаемых задач определяется всеми теми задачами, чьи предшественники или последователи уже были назначены. Задачи распределяются между рабочими станциями путем перемещения вперед и назад по диаграмме приоритета.Каждая рабочая станция ‘ s ‘ имеет набор предпочтительных / выделенных роботов H , который определяется следующим образом:

(13,23) r∈H, если m (r) ≥m (h), для 1≤h≤Nr

Здесь m (h) — максимальное количество задач, которое робот h может выполнить в заданной последовательности sq за время меньшее, чем C0.

(13,24) Ts (h) = ∑r = p1sp1s + m (h) th, sq (r)

Далее он определяет робот будет назначен на рабочую станцию ​​ s как:

(13.25) h (s) = r, если Ts (r)

Шаг 3: Вычисляется начальная позиция следующих станций (p1s + 1),

(13,26) p1s + 1 = prs + 1 = p1s + m (h (s)) + 1

Повторяйте шаги 2 и 3, пока все задачи не будут назначены на заданное количество рабочих станций.

Шаг 4: C0 увеличивается с на «один» , если еще остались задачи, которые нужно назначить рабочим станциям, и шаги с 2 по 3 повторяются до тех пор, пока не будут назначены все задачи.

Шаг 5: Выберите наиболее подходящего робота; Оптимальный робот выбирается на основе того робота, который может выполнять поставленные задачи за минимальное время.

Шаг 6: Максимальное время рабочей станции (сумма минимального времени работы робота для задач, назначенных станции) — это время цикла для последовательности.

Для данной последовательности процедура пытается изначально распределить задачи по рабочей станции и назначить наиболее подходящих роботов в пределах начального C0 (109), но с этим начальным циклом все задачи не могут быть распределены, как показано на рис. 13.17. Для выполнения всех задач C0 увеличивается на единицу, и когда C0 достигает 121, все задачи могут быть назначены, и роботу назначается выполнение всех задач, как показано на рис.13.18.

Рисунок 13.17. Пример процедуры присвоения начального времени цикла.

Рисунок 13.18. Решение окончательного назначения для U-образного RALB.

13.3.4 Параметры PSO для решения проблем RUALB

Параметры, используемые для решения задач RUALB, выбираются на основе проведенных экспериментов, чтобы получить удовлетворительное качество решения за приемлемое время вычислений. Чтобы найти наилучшее сочетание параметров, выбираются три набора данных разного размера.При выборе параметров важно качество решения, а не время вычислений. Ниже приведены параметры, протестированные и используемые в предлагаемом PSO для решения проблем RUALB.

Условие остановки : Предложенный алгоритм завершается, если итерация приближается к заранее определенному максимальному количеству поколений или достаточно хорошему значению пригодности. Рис. 13.21 иллюстрирует производительность алгоритма PSO на основе условия остановки для трех выбранных наборов данных.

Рисунок 13.21. Производительность ПСО по состоянию остановки.

Коэффициенты ускорения : Тот же набор различных комбинаций коэффициентов ускорения, используемых для решения PSO на прямой роботизированной сборочной линии, также тестируется для решения задач RUALB. В таблице 13.5 показаны различные протестированные комбинации c1, c2 и c3. На рис. 13.22 анализируется, что группа D (c1 = 1, c2 = 2 и c3 = 2) дала наилучшие решения, и эта комбинация коэффициентов ускорения используется для решения всех проблем.

Рисунок 13.22. Подбор коэффициентов ускорения исходя из производительности алгоритма.

Инструкции для робота-манипулятора | HEXBUG

Магазин не будет работать корректно, если куки отключены.

Похоже, в вашем браузере отключен JavaScript. Для наилучшего взаимодействия с нашим сайтом обязательно включите Javascript в своем браузере.

{{#categories_without_path}} в {{{category_without_path}}} {{/ category_without_path}} {{# _highlightResult.color}} {{# _highlightResult.color.value}} {{#categories_without_path}} | {{/ category_without_path}} Цвет: {{{_highlightResult.isBuyNowAvailabilityHidden}}

{{price.EUR.default_formated}} {{# price.EUR.default_original_formated}} {{price.EUR.default_original_formated}} {{/price.EUR.default_original_formated}} {{# price.EUR.default_tier_formated}} Всего лишь {{price.EUR.default_tier_formated}} {{/price.EUR.default_tier_formated}}

Руководство по сборке для SparkFun JetBot AI Kit V2.0

Введение

SparkFun сочетаются лучшие в отрасли возможности машинного обучения NVIDIA Jetson Nano с обширной экосистемой датчиков и аксессуаров SparkFun.Пакет SparkFun JetBot AI Kit v2.0, упакованный как готовая к сборке робототехническая платформа, не требует дополнительных компонентов или 3D-печати для начала работы — просто соберите робота, загрузите Jetson Nano, подключитесь к Wi-Fi и сразу же начните использовать JetBot. . Такое сочетание передовых технологий в готовом к сборке пакете делает SparkFun JetBot Kit выдающимся, предлагая одну из самых мощных робототехнических платформ на рынке. Это руководство служит инструкциями по сборке оборудования для JetBot AI Kit v2.0. SparkFun JetBot поставляется с предварительно прошитым образом карты micro SD, который включает базовый образ Nvidia JetBot с дополнительными установками библиотеки SparkFun Qwiic Python, драйвер Edimax WiFi, AWS RoboMaker, готовый с AWS IoT Greengrass, и, конечно же, JetBot ROS . Пользователям нужно только подключить SD-карту и настроить соединение Wi-Fi, чтобы начать работу.

SparkFun выпустила несколько версий Jetbot. Обратите внимание на комментарии под некоторыми фотографиями, чтобы убедиться, что они относятся к приобретенному вами комплекту Jetbot.Готовые фотографии Jetbot показаны ниже для сравнения.

JetBot V2.0 — Крепление для одной камеры и разъем GPIO Jetson Dev Kit, ориентированный сбоку от Jetbot

JetBot V2.1 4 ГБ — Крепление для стереокамеры с ориентированным ленточным разъемом камеры и разъемом GPIO Jetson 4 ГБ Dev Kit, ориентированным на задней части Jetbot

2GB JetBot V2.1 — Крепление для стереокамеры с ориентированным ленточным разъемом камеры и разъемом GPIO Jetson 2GB Dev Kit, ориентированным с задней стороны Jetbot

Примечание: Мы рекомендуем вам сначала прочитать все направлений, прежде чем строить JetBot.Тем не менее, мы сочувствуем, если вы здесь только для того, чтобы посмотреть фотографии и получить общее представление о SparkFun JetBot. Мы также являемся теми людьми, которые иногда аннулируют гарантии и утилизируют неоткрытые инструкции по эксплуатации, но учтите, что SparkFun может оказывать поддержку только по инструкциям, изложенным на следующих страницах.

Внимание: SD-карта в этом наборе поставляется с предварительно прошитой для работы с нашим оборудованием и со всеми установленными модулями (включая образцы моделей машинного обучения, необходимые для предотвращения столкновений, и следующие примеры объектов).Единственные программные процедуры, необходимые для запуска JetBot, — это шаги 2–4 из инструкций Nvidia (т. Е. Настройте соединение Wi-Fi, а затем подключитесь к JetBot с помощью браузера). Пожалуйста, НЕ форматируйте и не прошивайте новый образ на SD-карту; в противном случае вам нужно будет перезагрузить наш образ обратно на карту.

Если вы случайно допустите эту ошибку, не волнуйтесь. Вы можете найти инструкции по повторной прошивке нашего образа обратно на SD-карту в разделе «Настройка программного обеспечения» данного руководства

Jetson Nano Developer Kit предлагает расширяемость за счет стандартного отраслевого заголовка GPIO и связанных возможностей программирования, таких как библиотека Jetson GPIO Python.Расширяя эту возможность, в комплект SparkFun входит SparkFun Qwiic pHAT для Raspberry Pi, обеспечивающий немедленный доступ к обширной экосистеме SparkFun Qwiic из среды Jetson Nano, что позволяет легко интегрировать более 30 датчиков (без пайки и последовательного подключения ).

Система SparkFun Qwiic Connect — это экосистема датчиков, исполнительных механизмов, экранов и кабелей I ² C, которая ускоряет создание прототипов и снижает вероятность ошибок. Все платы с поддержкой Qwiic используют общий 4-контактный разъем JST с шагом 1 мм.Это уменьшает объем необходимого места на печатной плате, а поляризованные соединения означают, что вы не сможете подключить его неправильно.

Материалы

Рекомендуемые инструменты

Мы не включали никаких инструментов в этот набор, потому что, если вы похожи на нас, вы ищете повод для использования имеющихся у вас инструментов, а не просто необходимости новых инструментов для работы над вашими проектами.Тем не менее, для сборки SparkFun JetBot потребуются следующие инструменты.

• Маленькая крестообразная отвертка и небольшая отвертка с плоской головкой потребуются для сборки шасси и затягивания резьбовых клеммных соединений для каждого двигателя. Мы рекомендуем набор карманных отверток; ТОЛ-12268.
• Потребуется пара ножниц, чтобы отрезать липкую ленту Dual Lock Velcro до нужного размера; рекомендуется, но не обязательно ..
• Дополнительно — разводной ключ или плоскогубцы для удержания мелких компонентов (гаек и стоек) на месте при затягивании винтов; вашего пальца обычно достаточно, чтобы удерживать их на месте при затягивании винтов, и это помогает убедиться, что ничто не перетянуто .

Примечание о маршрутах

Когда мы говорим о «передней части» или «вперед» JetBot, мы имеем в виду направление, в котором направлена ​​камера, когда JetBot полностью собран. «Левый» и «Правый» будут с точки зрения SparkFun JetBot (то есть то, что видит камера JetBot).

Ориентация остается неизменной для всех предложений комплектов, упомянутых выше

Ориентация остается неизменной для всех предложений комплектов, упомянутых выше

: вы полюбите своего робота больше, если соберете его самостоятельно

Способность принимать решения автономно — это не только то, что делает роботов полезными, но и то, что делает роботов роботов .Мы ценим роботов за их способность чувствовать, что происходит вокруг них, принимать решения на основе этой информации, а затем предпринимать полезные действия без нашего участия. В прошлом роботизированный процесс принятия решений следовал четко структурированным правилам — если вы чувствуете это, то делайте то. В структурированной среде, такой как фабрики, это работает достаточно хорошо. Но в хаотичных, незнакомых или плохо определенных условиях зависимость от правил делает роботов заведомо плохо справляющимися со всем, что нельзя точно спрогнозировать и спланировать заранее.

RoMan, наряду с многими другими роботами, включая домашних пылесосов , беспилотные летательные аппараты и автономные автомобили, решает проблемы слабоструктурированной среды с помощью искусственных нейронных сетей — вычислительный подход, который слабо имитирует структуру нейронов в биологическом мозге. Около десяти лет назад искусственные нейронные сети начали применяться к широкому спектру полуструктурированных данных, которые раньше было очень трудно интерпретировать компьютерам, выполняющим программирование на основе правил (обычно называемое символическим мышлением).Вместо того, чтобы распознавать конкретные структуры данных, искусственная нейронная сеть способна распознавать шаблоны данных, идентифицируя новые данные, которые похожи (но не идентичны) на данные, с которыми сеть сталкивалась ранее. Действительно, часть привлекательности искусственных нейронных сетей заключается в том, что они обучаются на собственном примере, позволяя сети принимать аннотированные данные и изучать свою собственную систему распознавания образов. Для нейронных сетей с несколькими уровнями абстракции этот метод называется глубоким обучением.

Несмотря на то, что люди обычно участвуют в процессе обучения, и хотя искусственные нейронные сети были вдохновлены нейронными сетями в человеческом мозгу, способ распознавания образов в системе глубокого обучения принципиально отличается от того, как люди видят мир. Часто почти невозможно понять взаимосвязь между данными, вводимыми в систему, и интерпретацией данных, которые система выводит. И это различие — непрозрачность «черного ящика» глубокого обучения — представляет собой потенциальную проблему для таких роботов, как RoMan, и для лаборатории армейских исследований.

В хаотических, незнакомых или плохо определенных условиях зависимость от правил делает роботов заведомо плохо справляющимися со всем, что нельзя точно спрогнозировать и спланировать заранее.

Эта непрозрачность означает, что роботов, полагающихся на глубокое обучение, нужно использовать осторожно. Система глубокого обучения хороша в распознавании закономерностей, но ей не хватает понимания мира, которое человек обычно использует для принятия решений, поэтому такие системы лучше всего работают, когда их приложения хорошо определены и имеют узкую область применения.«Когда у вас есть хорошо структурированные входы и выходы, и вы можете заключить свою проблему в такие отношения, я думаю, что глубокое обучение очень хорошо работает», — говорит Том Ховард, который руководит лабораторией робототехники и искусственного интеллекта Университета Рочестера и разработал алгоритмы взаимодействия на естественном языке для RoMan и других наземных роботов. «При программировании интеллектуального робота возникает вопрос, в каком практическом масштабе существуют эти строительные блоки для глубокого обучения?» Ховард объясняет, что когда вы применяете глубокое обучение к проблемам более высокого уровня, количество возможных входных данных становится очень большим, и решение проблем такого масштаба может быть сложной задачей.И потенциальные последствия неожиданного или необъяснимого поведения гораздо более значительны, когда это поведение проявляется через 170-килограммового двурукого военного робота.

Через пару минут Роман не двинулся с места — он все еще сидит, размышляя о ветке дерева, раскинув руки, как богомол. В течение последних 10 лет альянс Robotics Collaborative Technology Alliance (RCTA) лаборатории армейских исследований работал с робототехниками из Университета Карнеги-Меллона, Университета штата Флорида, General Dynamics Land Systems, JPL, MIT, QinetiQ North America, Университета Центральной Флориды. , Пенсильванский университет и другие ведущие исследовательские институты для разработки автономных роботов для использования в будущих наземных боевых машинах.RoMan — одна из частей этого процесса.

Задача «расчистить путь», над которой медленно обдумывает RoMan, трудна для робота, потому что задача настолько абстрактна. RoMan должен идентифицировать объекты, которые могут блокировать путь, рассуждать о физических свойствах этих объектов, выяснять, как их захватить и какую технику манипуляции лучше всего применить (например, толкать, тянуть или поднимать), а затем Сделай это. Это много шагов и много неизвестного для робота с ограниченным пониманием мира.

В этом ограниченном понимании роботы ARL начинают отличаться от других роботов, которые полагаются на глубокое обучение, — говорит Итан Стамп, главный научный сотрудник программы AI для маневра и мобильности в ARL. «Армия может быть задействована практически в любой точке мира. У нас нет механизма для сбора данных во всех различных областях, в которых мы могли бы действовать. Мы можем быть размещены в каком-то неизвестном лесу на другой стороне world, но ожидается, что мы будем работать так же хорошо, как и на собственном заднем дворе », — говорит он.Большинство систем глубокого обучения надежно работают только в тех областях и средах, в которых они прошли обучение. Даже если домен представляет собой что-то вроде «каждой дороги в Сан-Франциско», с роботом все будет в порядке, потому что это уже собранный набор данных. Но, по словам Стампа, это не вариант для военных. Если армейская система глубокого обучения не работает должным образом, они не могут просто решить проблему путем сбора дополнительных данных.

Роботы ARL также должны хорошо понимать, что они делают.«В стандартном операционном порядке для миссии у вас есть цели, ограничения, параграф о намерениях командира — в основном рассказ о цели миссии — который предоставляет контекстную информацию, которую люди могут интерпретировать, и дает им структуру, когда им нужно чтобы принимать решения и когда им нужно импровизировать », — объясняет Стамп. Другими словами, РоМану может потребоваться быстро расчистить путь, или ему может потребоваться расчистить путь тихо, в зависимости от более широких целей миссии. Это большая просьба даже для самого продвинутого робота.«Я не могу придумать подход, основанный на глубоком обучении, который мог бы работать с такой информацией», — говорит Стамп.

Пока я смотрю, RoMan сбрасывается для второй попытки удаления ветки. Подход ARL к автономности является модульным, где глубокое обучение сочетается с другими методами, а робот помогает ARL выяснить, какие задачи подходят для каких методов. В настоящее время RoMan тестирует два разных способа идентификации объектов по данным 3D-сенсора: подход UPenn основан на глубоком обучении, а Carnegie Mellon использует метод, называемый восприятием через поиск, который опирается на более традиционную базу данных 3D-моделей.Восприятие через поиск работает только в том случае, если вы заранее точно знаете, какие объекты ищете, но обучение проходит намного быстрее, поскольку вам нужна только одна модель для каждого объекта. Он также может быть более точным, когда восприятие объекта затруднено — например, если объект частично скрыт или перевернут. ARL тестирует эти стратегии, чтобы определить, какая из них наиболее универсальна и эффективна, позволяя им работать одновременно и конкурировать друг с другом.

Восприятие — одна из вещей, в которых глубокое обучение стремится преуспеть.«Сообщество компьютерного зрения добилось безумного прогресса в использовании глубокого обучения для этого», — говорит Мэгги Вигнесс , ученый-компьютерщик из ARL. «Мы добились хороших результатов с некоторыми из этих моделей, которые были обучены в одной среде, обобщенной для новой среды, и мы намерены продолжать использовать глубокое обучение для такого рода задач, потому что это современное состояние».

Модульный подход ARL может сочетать несколько методов таким образом, чтобы максимально использовать их сильные стороны.Например, система восприятия, которая использует зрение на основе глубокого обучения для классификации местности, может работать вместе с автономной системой вождения, основанной на подходе, называемом обучением с обратным подкреплением, где модель может быть быстро создана или уточнена на основе наблюдений людей-солдат. Традиционное обучение с подкреплением оптимизирует решение, основанное на установленных функциях вознаграждения, и часто применяется, когда вы не всегда уверены, как выглядит оптимальное поведение. Это меньше беспокоит армию, которая обычно может предположить, что хорошо обученные люди будут поблизости, чтобы показать роботу, как правильно действовать.«Когда мы запускаем этих роботов, все может измениться очень быстро», — говорит Вигнесс. «Поэтому нам нужна была техника, в которой мы могли бы вмешаться солдата, и с помощью всего лишь нескольких примеров от пользователя в полевых условиях, мы могли бы обновить систему, если нам понадобится новое поведение». По ее словам, метод глубокого обучения потребует «гораздо больше данных и времени».

Глубокое обучение борется не только с проблемами нехватки данных и быстрой адаптацией. Есть также вопросы надежности, объяснимости и безопасности.«Эти вопросы не являются уникальными для военных, — говорит Стамп, — но они особенно важны, когда мы говорим о системах, которые могут включать летальность». Чтобы было ясно, ARL в настоящее время не работает над летальными автономными системами оружия, но лаборатория помогает заложить основу для автономных систем в вооруженных силах США в более широком смысле, что означает рассмотрение способов использования таких систем в будущем.

Требования глубокой сети в значительной степени не соответствуют требованиям армейской миссии, и это проблема.

По словам Стампа, безопасность является очевидным приоритетом, и все же нет четкого способа сделать систему глубокого обучения достоверно безопасной. «Глубокое обучение с ограничениями безопасности — это серьезное исследовательское усилие. Трудно добавить эти ограничения в систему, потому что вы не знаете, откуда взялись ограничения, уже существующие в системе. Поэтому, когда меняется миссия или меняется контекст, с этим трудно справиться. Это даже не вопрос данных, это вопрос архитектуры ». Модульная архитектура ARL, будь то модуль восприятия, использующий глубокое обучение, или автономный модуль вождения, использующий обучение с обратным подкреплением, или что-то еще, может формировать части более широкой автономной системы, которая включает в себя те виды безопасности и адаптируемости, которые требуются военным.Другие модули в системе могут работать на более высоком уровне, используя различные методы, которые более поддаются проверке или объяснению и которые могут вмешиваться для защиты всей системы от неблагоприятного непредсказуемого поведения. «Если появляется другая информация и меняет то, что нам нужно делать, существует иерархия», — говорит Стамп. «Все происходит рационально».

Николас Рой , возглавляющий группу Robust Robotics Group в Массачусетском технологическом институте и называющий себя «в некотором роде подстрекателем сброда» из-за своего скептицизма по поводу некоторых заявлений о силе глубокого обучения, соглашается с робототехниками ARL, что Подходы с глубоким обучением часто не могут справиться с проблемами, к которым должна быть готова армия.«Армия всегда входит в новую среду, и противник всегда будет пытаться изменить среду, чтобы тренировочный процесс, через который прошли роботы, просто не соответствовал тому, что они видят», — говорит Рой. «Таким образом, требования глубокой сети в значительной степени не соответствуют требованиям армейской миссии, и это проблема».

Рой, который работал над абстрактными рассуждениями для наземных роботов в рамках RCTA, подчеркивает, что глубокое обучение является полезной технологией в применении к проблемам с четкими функциональными взаимосвязями, но когда вы начинаете смотреть на абстрактные концепции, неясно, подходит ли глубокое обучение. жизнеспособный подход.«Мне очень интересно узнать, как нейронные сети и глубокое обучение могут быть скомпонованы таким образом, чтобы поддерживать рассуждения более высокого уровня», — говорит Рой. «Я думаю, что все сводится к идее объединения нескольких нейронных сетей низкого уровня для выражения концепций более высокого уровня, и я не верю, что мы пока понимаем, как это сделать». Рой приводит пример использования двух отдельных нейронных сетей: одна для обнаружения объектов, которые являются автомобилями, а другая — для обнаружения объектов красного цвета. Сложнее объединить эти две сети в одну большую сеть, которая обнаруживает красные машины, чем если бы вы использовали систему символических рассуждений, основанную на структурированных правилах с логическими отношениями.«Многие люди работают над этим, но я не видел настоящего успеха, который приводил бы к абстрактным рассуждениям подобного рода».

В обозримом будущем ARL следит за тем, чтобы его автономные системы были безопасными и надежными, удерживая людей как для рассуждений более высокого уровня, так и для случайных советов на низком уровне. Люди могут не всегда быть в курсе событий, но идея состоит в том, что люди и роботы более эффективны, когда работают вместе в команде. По словам Стампа, когда в 2009 году началась последняя фаза программы Robotics Collaborative Technology Alliance, «мы уже много лет прожили в Ираке и Афганистане, где роботы часто использовались в качестве инструментов.Мы пытались выяснить, что мы можем сделать, чтобы превратить роботов от инструментов к тому, чтобы они больше действовали как товарищи по команде в отряде ».

RoMan получает небольшую помощь, когда человек-руководитель указывает на область ветви, где хватание может быть наиболее эффективным. Робот не имеет никаких фундаментальных знаний о том, что на самом деле представляет собой ветвь дерева, и это отсутствие знаний о мире (то, что мы считаем здравым смыслом) является фундаментальной проблемой для автономных систем всех видов. Если человек использует наш обширный опыт в небольшом количестве рекомендаций, это может значительно облегчить работу RoMan.И действительно, на этот раз РоМану удается успешно схватить ветку и с шумом протащить ее через комнату.

Превратить робота в хорошего товарища по команде может быть сложно, потому что бывает сложно найти нужную автономию. Слишком мало, и для управления одним роботом потребуется большая часть или все внимание одного человека, что может быть уместно в особых ситуациях, таких как обезвреживание боеприпасов, но в остальном неэффективно. Слишком большая автономия — и у вас начнутся проблемы с доверием, безопасностью и объяснимостью.

«Я думаю, что уровень, который мы здесь ищем, — это чтобы роботы работали на уровне рабочих собак», — объясняет Стамп. «Они точно понимают, что нам нужно, чтобы они делали в ограниченных обстоятельствах, у них есть небольшая гибкость и творческий подход, если они сталкиваются с новыми обстоятельствами, но мы не ожидаем, что они будут творчески решать проблемы. И если им понадобится помощь , они нападают на нас «.

RoMan вряд ли обнаружит себя в полевых условиях на миссии в ближайшее время, даже в составе команды с людьми.Это во многом исследовательская платформа. Но программное обеспечение, разрабатываемое для RoMan и других роботов в ARL, под названием Adaptive Planner Parameter Learning (APPL) , скорее всего, будет сначала использоваться в автономном вождении, а затем в более сложных роботизированных системах, которые могут включать в себя мобильные манипуляторы, такие как RoMan. APPL сочетает в себе различные методы машинного обучения (включая обучение с обратным подкреплением и глубокое обучение), иерархически организованные под классическими автономными навигационными системами. Это позволяет применять цели и ограничения высокого уровня поверх программирования более низкого уровня.Люди могут использовать дистанционно управляемые демонстрации, корректирующие вмешательства и оценочную обратную связь, чтобы помочь роботам адаптироваться к новым условиям, в то время как роботы могут использовать неконтролируемое обучение с подкреплением для корректировки параметров своего поведения на лету. Результатом является автономная система, которая может пользоваться многими преимуществами машинного обучения, а также обеспечивать безопасность и объяснимость, необходимые армии. С APPL система, основанная на обучении, такая как RoMan, может работать предсказуемым образом даже в условиях неопределенности, прибегая к настройке или демонстрации человеком, если она попадает в среду, слишком отличную от той, в которой она обучалась.

Заманчиво посмотреть на быстрый прогресс коммерческих и промышленных автономных систем (автономные автомобили — лишь один из примеров) и задаться вопросом, почему армия, кажется, несколько отстает от современного уровня техники. Но, как Стамп обнаруживает, что вынужден объяснять армейским генералам, когда дело доходит до автономных систем, «существует множество серьезных проблем, но тяжелые проблемы промышленности отличаются от серьезных проблем армии». Армия не может позволить себе роскошь управлять своими роботами в структурированной среде с большим количеством данных, поэтому ARL приложила так много усилий для APPL и сохранения места для людей.В будущем люди, вероятно, останутся ключевой частью автономной структуры, разрабатываемой ARL. «Это то, что мы пытаемся создать с помощью наших робототехнических систем», — говорит Стамп. «Это наш стикер на бампере:« От инструментов к товарищам по команде ». »

Эта статья появится в выпуске печати за октябрь 2021 года как «Deep Learning Goes to Boot Camp ».

Статьи с вашего сайта

Статьи по теме в Интернете

технологических игр и наборов для обучения детей

Обучение детей через игру может стать отличным способом помочь им освоить новые концепции и навыки.С электроникой и технологиями маленькие мастерицы могут изучить важные основы и с подходящим оборудованием работать над небольшими проектами с раннего возраста. Будь то паяльная мастерская или самодельный футбольный робот, дети могут познакомиться с забавной стороной электроники — без сложных инструкций и формул! Вот наш путеводитель по лучшим сборочным наборам для начинающих мастеров из интернет-магазина Reichelt.

Дети могут построить своего собственного робота с Franziz Build and Discover Robots Construction Box .Монтажный комплект не требует использования клея или пайки. Детали легко соединяются, что упрощает сборку для маленьких рук. Все ключевые детали уже прикреплены к доске, например, два датчика движения, которые могут обнаруживать препятствия на пути робота. Дети в возрасте восьми лет и старше найдут много интересных новых идей в прилагаемом буклете, а также инструкции для различных роботов, которые можно собрать с помощью сборочного набора. Приключенческие истории позволяют младшим инженерам глубоко погрузиться в мир робототехники в раннем возрасте.

Дети, у которых уже есть базовых знаний в области электроники , могут погрузиться в более сложные сборочные наборы, такие как этот футбольный робот . У этого маленького шестиногого игрока спереди есть механизм, направляющий мяч. Робот можно перемещать в любом направлении с помощью двух переключателей управления. Помимо инструкций по сборке, прилагаемый буклет также содержит интересные факты и информацию о мире технологий.

Тот, кто думает, что традиционный бег по мрамору медленный и скучный, еще не испытал на себе Fischer Dynamic XL . Шарики поднимаются транспортирующим колесом с приводом от двигателя. А еще выше — инновационный конвейер, который зигзагообразно перемещает шары один за другим до самого верха. Стартовая площадка, петли и трамплины гарантируют, что шарики прыгают с огромной скоростью, чтобы развлекать детей и взрослых.

С помощью набора Fischer Bluetooth Smart Beginner Set дети могут расширить свои знания в области робототехники , а также запрограммировать свои собственные модели. Возможные конструкции: карусель, ленточный конвейер или мобильная гусеничная машина, управляемая через Bluetooth. Контроллер BT Smart имеет четыре входа для датчиков и два выхода для двигателей или фонарей, с портом USB и портом Bluetooth 4.0. Прилагаемое программное обеспечение ROBO Pro Light позволяет быстро и всесторонне программировать.