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 >
Träning robotar för atletiska rörelser
Kan robotar röra sig som idrottare?En ny träningsmodell hjälper dem att replikera sportrörelser, men resultaten visar både framsteg och oväntade utmaningar.
Ett team av AI- och robotforskare från Carnegie Mellon University, tillsammans med två kollegor från Nvidia, har skapat en ny modell för att träna robotar för att flytta som mänskliga idrottare.Teamet observerade att de flesta robotträning fokuserar på rörelse, vilket leder till robotar som rör sig effektivt men utan fluiditet eller atletik.För att ta itu med detta utforskade de hela kroppen.De fann att befintliga modeller saknade anpassningsförmåga och förlitade sig på för många parametrar, vilket gjorde robotrörelser alltför försiktiga.Detta ledde till att de utvecklade en ny tvåstegs träningsram.
Det första steget tränar en AI-modul för att analysera hela kroppens mänskliga rörelsevideor och justera viktiga rörelser för att passa robotens kapacitet med rörelsespårning.Den andra steget samlar in verkliga data för att överbrygga klyftan mellan mänsklig rörelse i videor och hur robotar fysiskt kan röra sig.Denna process ledde till en ram som kallas anpassningssimulering och verklig fysik (ASAP).
ASAP -ramverket består av fyra steg.För det första involverar rörelsespårning och verklig bana-insamling ommålning av humanoidrörelser från mänskliga videor.Flera rörelsespårningspolicyer är förutbildade för att generera verkliga rörelsesbanor.Därefter utförs DELTA Action Model Training med hjälp av utrullningsdata i verkligheten.Detta steg minimerar skillnaden mellan det simulerade tillståndet och det faktiska verkliga tillståndet och förbättrar modellens noggrannhet.
I det policy-finjusteringsstadiet är Delta Action-modellen fryst och integrerad i simulatorn för att bättre anpassa sig till verklig fysik.Den förutbildade rörelsespårningspolicyn är sedan finjusterad för större precision.Slutligen, i verklig distribution, implementeras den finjusterade politiken direkt i den verkliga världen utan att förlita sig på Delta-handlingsmodellen, vilket säkerställer att roboten kan utföra sina tränade rörelser oberoende.
För att testa ramverket utbildade forskarna en robot för att replikera ikoniska sportrörelser.Det utförde Kobe Bryants Fadeaway Jump Shot, LeBron James 'ljuddämpare-rörelse och Cristiano Ronaldos SIU-språng med en luftnel.Varje rörelse registrerades.
Robotens rörelser liknar tydligt de berömda sportrörelserna och belyser framstegen i fullkroppsrörelse.Det är emellertid också uppenbart att mycket mer arbete behövs innan en robot kan misstas för en professionell idrottare.
Ett team av AI- och robotforskare från Carnegie Mellon University, tillsammans med två kollegor från Nvidia, har skapat en ny modell för att träna robotar för att flytta som mänskliga idrottare.Teamet observerade att de flesta robotträning fokuserar på rörelse, vilket leder till robotar som rör sig effektivt men utan fluiditet eller atletik.För att ta itu med detta utforskade de hela kroppen.De fann att befintliga modeller saknade anpassningsförmåga och förlitade sig på för många parametrar, vilket gjorde robotrörelser alltför försiktiga.Detta ledde till att de utvecklade en ny tvåstegs träningsram.
Det första steget tränar en AI-modul för att analysera hela kroppens mänskliga rörelsevideor och justera viktiga rörelser för att passa robotens kapacitet med rörelsespårning.Den andra steget samlar in verkliga data för att överbrygga klyftan mellan mänsklig rörelse i videor och hur robotar fysiskt kan röra sig.Denna process ledde till en ram som kallas anpassningssimulering och verklig fysik (ASAP).
ASAP -ramverket består av fyra steg.För det första involverar rörelsespårning och verklig bana-insamling ommålning av humanoidrörelser från mänskliga videor.Flera rörelsespårningspolicyer är förutbildade för att generera verkliga rörelsesbanor.Därefter utförs DELTA Action Model Training med hjälp av utrullningsdata i verkligheten.Detta steg minimerar skillnaden mellan det simulerade tillståndet och det faktiska verkliga tillståndet och förbättrar modellens noggrannhet.
I det policy-finjusteringsstadiet är Delta Action-modellen fryst och integrerad i simulatorn för att bättre anpassa sig till verklig fysik.Den förutbildade rörelsespårningspolicyn är sedan finjusterad för större precision.Slutligen, i verklig distribution, implementeras den finjusterade politiken direkt i den verkliga världen utan att förlita sig på Delta-handlingsmodellen, vilket säkerställer att roboten kan utföra sina tränade rörelser oberoende.
För att testa ramverket utbildade forskarna en robot för att replikera ikoniska sportrörelser.Det utförde Kobe Bryants Fadeaway Jump Shot, LeBron James 'ljuddämpare-rörelse och Cristiano Ronaldos SIU-språng med en luftnel.Varje rörelse registrerades.
Robotens rörelser liknar tydligt de berömda sportrörelserna och belyser framstegen i fullkroppsrörelse.Det är emellertid också uppenbart att mycket mer arbete behövs innan en robot kan misstas för en professionell idrottare.