Varför lita på ditt företag till oss?
Vi tar paniken från upphandling. Vi lagerför miljontals svårtillgängliga delar från våra pålitliga källor. Vi uppdaterar våra produktlistor efter minuter, och köp online genomförs i realtid och skickas varje dag.
MFGChips grundades 2002 och är en lokal ledare inom distribution av elektroniska komponenter och är också erkänd som ett av de mest respekterade och innovativa företagen på den lokala marknaden idag. Med huvudkontor i Hong Kong har MFGChips fått ett imponerande rykte för att tillhandahålla enastående service och utveckla effektiva, omfattande globala leveranskedjelösningar.
Läs mer >
Roboter lär sig objektdrag genom att skaka
Robotar kan nu räkna ut ett objekts vikt och mjukhet genom att skaka den med bara sensorer, inga kameror eller verktyg som behövs.
Forskare från MIT, Amazon Robotics och University of British Columbia har utvecklat en metod som gör det möjligt för robotar att lära sig om ett objekts vikt, mjukhet eller innehåll genom att försiktigt skaka det.Roboter kan använda interna sensorer för att bestämma ett objektmassa inom några sekunder utan att kräva kameror eller externa verktyg.Denna lågkostnadsteknik är fördelaktig i miljöer där kameror kanske inte fungerar, till exempel i mörka utrymmen eller under katastrofåterhämtning.
En viktig del av metoden är en simuleringsprocess som modellerar både roboten och objektet, vilket gör det möjligt för roboten att snabbt identifiera objektegenskaper under interaktion.Tekniken är lika effektiv som dyrare datorsynsmetoder.Det är tillräckligt robust för att hantera olika osynliga scenarier, vilket gör det till en mångsidig lösning för olika robotapplikationer.
Avkänningssignaler
Forskarnas metod använder proprioception, vilket är förmågan att känna rörelse eller position, liknande hur människor känner vikten av en hantel.En robot kan känna ett objekts tyngd genom armfogarna.När roboten lyfter ett objekt samlar den data från sina ledkodare, som mäter positionen och hastigheten på dess leder, vilket gör metoden kostnadseffektiv utan att behöva extra sensorer som beröring eller synspårare.Systemet använder två modeller för robotens rörelse och objektets beteende.Genom att spåra robotens rörelser och använda gemensamma data räknar algoritmen ut objektets egenskaper, som hur ett tyngre objekt rör sig långsammare än en lättare under samma kraft.
Differentierbara simuleringar
Tekniken använder differentierbar simulering för att förutsäga hur förändringar i ett objekts egenskaper, såsom massa eller mjukhet, påverkar robotens slutliga gemensamma position.Forskarna hoppas kunna kombinera denna teknik med datorsyn för ett kraftfullare multimodalt system.De syftar också till att applicera det på mer komplexa robotsystem, som mjuka robotar, och hanterar föremål som slosingvätskor eller granulära material.I slutändan föreställer de sig denna teknik som förbättrar robotinlärning, vilket gör det möjligt för robotar att utveckla nya manipulationsförmågor och anpassa sig till förändrade miljöer snabbt.