NVIDIA让机器手臂更容易抓取空间中任一位置的物体,而且不

在现行针对机器手臂抓取真实场景中的物体过程中,通常会在机器手臂装置摄影镜头,透过影像识别方式判断物件所在,藉此调整机器手臂运作位置,但是最大难度则在于如何控制机器手臂抓取物体力道,而NVIDIA提出的6-DoF GraspNet运算框架,让机器手臂能以更快效率学会如何抓取空间中任一位置的物体。

依照6-DoF GraspNet运算框架运作模式,将可让机器手臂透过影像识别方式判断空间中的X、Y、Z轴 (左右、前后、高低)座标,以及加入旋转动作形成总计6个轴度数据,藉此能更快对应判断位处不同空间位置的物体,避免物体位置改变后,机器手臂必须透过重新学习进行判断,使得工作效率变慢。

就NVIDIA说明,在此运算框架运作模式下,机器手臂可以透过即时视觉判断物体所在位置,其中更藉由基于粒子模拟运算技术的FleX评估模式,让机器手臂可透过实际量测数据进行判断,即便未事先进行深度学习训练也能快速判断物体实际位置。

另一方面,针对机器手臂抓取物体的部份也透过握持评估模式,让机器手臂可透过不同力道测试,藉此评估可实际持握物体应使用力道,进而成功抓取物件,并且能避免施力过度而将物体夹碎的情况。

此项技术更可透过模组化应用在不同场景,甚至也能与其他运算框架并用,藉此让机器手臂能以更精确动作完成任务。

这样的应用,不仅能让机器手臂能有更精準运作,更可让机器手臂应用在货物分类等应用时,可以减少机器手臂不当损坏货品问题,藉此让无人商店、智慧仓储等应用更为普及。

广告 分享此文:分享到 Twitter(在新视窗中开启)按一下以分享至 Facebook(在新视窗中开启)点这里列印(在新视窗中开启)点这里寄给朋友(在新视窗中开启)请按讚:喜欢 载入中...机器手臂物体判断应用运算视窗运作


相关推荐