加州大学伯克利分校的人工智能研究人员正在使用苹果的全网通和增强现实来训练机械臂抓取物体。它是Dex-Net AR的一部分，这是一个使用商用智能手机进行机器人爬行的管道100 .阿尔吉特通过在物体周围移动RGB相机两分钟来创建点云。
机器人抓取是一个特定的机器人子领域，它专注于教会机器人拾取、移动、操纵或抓取物体的挑战自动实验室在加州大学伯克利分校的敏捷网络研究(Dext-Net)可以追溯到2017年，包括开源的训练数据集和预训练模型，用于电子商务垃圾桶采摘场景中的机器人爬行。机器人快速学习如何抓取物体的能力对像亚马逊配送中心这样的自动化仓库的发展有很大的影响。
在实验室八个物体的前期实验中，Dex-Net AR将增强现实扫描转化为深度图，供横丝米语机器人抓取物体，成功率达95%。每次扫描都会创建一个点云。
最近发表的一篇论文详细介绍了Dex-Net AR:"随着相机在空间中的移动，点云的密度增加，可以更好地检测和定义物体表面进行抓取“Dex-Net AR可以产生精确的掌握，类似于依靠昂贵的工业级深度传感器的最新系统。与从固定视角（通常自上而下)捕捉图像的深度相机系统相比，Dex-Net AR允许用户围绕整个对象移动智能手机相机，并收集三维点云数据。"
Dex-Net AR采用离群点去除算法和K最近邻算法去除增强现实点云中由估计误差引起的噪声。然后，索引网络抓取规划器评估机器人应该如何拾取物体。
因为每个增强现实扫描每个物体需要固定的两分钟，所以研究人员将在未来的研究中寻找更快的方法来扫描物体。该论文表示："潜在的改进是，我们可以使用基于学习的方法来尝试减少视频捕获的时间，以补充和改进点云数据，前提是只有有限的数据可用。"研究人员还计划探索如何更好地利用全网通深度感应相机收集更清晰的点云数据。
Dex-Net AR于上周在国际机器人和自动化会议(ICRA)上发布。会议上发表的其他论文包括探索人类和四足机器人行走下半身骨骼的理想方法的作品。斯坦福大学的一个实验室共享一个多无人机管理系统，该系统使用公共汽车来降低运输成本和能源消耗。谷歌大脑、英特尔人工智能实验室、自动实验室也推出了由人工智能训练的Motion2Vec，可以通过视频观察进行机器人手术。
标签：
免责声明：本文由用户上传，如有侵权请联系删除！