Ως άνθρωποι, συνήθως δεν έχουμε μεγάλο πρόβλημα να αρπάγουμε αντικείμενα από ένα τραπέζι, είτε πρόκειται για ένα συμπαγές αντικείμενο, όπως ένα μήλο, ή εάν είναι διαφανή όπως λένε ένα ποτήρι. Ωστόσο, για υπολογιστές και ρομπότ, αυτή είναι μια διαφορετική ιστορία, αλλά χάρη σε έναν νέο αλγόριθμο που ονομάζεται ClearGrasp, που μπορεί να γίνει κάτι παρελθόν.
Εξήγησε πρόσφατα το Ιστολόγιο AI της Google, περιγράφεται πώς μια ομάδα ερευνητών της Google, Columbia University και Synthesis AI, μπόρεσαν να αναπτύξουν ένα νέος αλγόριθμος μηχανικής εκμάθησης που μπορεί να εκτιμήσει με ακρίβεια τα δεδομένα 3D από ένα διαφανές αντικείμενο από το RGB-D εικόνες. Δεδομένου ότι τα περισσότερα μοντέλα απεικόνισης βασίζονται σε στερεά αντικείμενα που αναλαμβάνουν όλες τις επιφάνειες, είτε πρόκειται για τραπέζι είτε για α η σόδα, είναι Lambertian - αντανακλούν το φως ομοιόμορφα προς όλες τις κατευθύνσεις - μπορούν να δημιουργηθούν διαφανή αντικείμενα προβλήματα. Αυτό συμβαίνει επειδή αυτά τα αντικείμενα όχι μόνο αντανακλούν το φως, αλλά και το φως διαθλάται, το οποίο με τη σειρά του προκαλεί προβλήματα για τα συστήματα απεικόνισης.
Η Verizon προσφέρει το Pixel 4a με μόλις $ 10 / μήνα σε νέες Απεριόριστες γραμμές
Η απεικόνιση αντικειμένων χρησιμοποιείται σε πολλές εφαρμογές από αποθήκες, αυτοκινητοβιομηχανίες, και χρησιμοποιείται ακόμη και σε κουζίνες. Έτσι, η ικανότητα όχι μόνο να βλέπουμε συμπαγή αντικείμενα αλλά και ένα διαφανές αντικείμενο, είναι ελκυστική για πολλούς λόγους. Αυτό το νέο μοντέλο AI διδάσκει στους υπολογιστές να μπορούν να ανακατασκευάσουν βάθος από τρισδιάστατες εικόνες που έχουν ληφθεί από κάμερες RGB-D.
Οι ερευνητικές ομάδες τροφοδότησαν μεγάλες ποσότητες δεδομένων στο μοντέλο μηχανικής μάθησης για να αυξήσουν την ακρίβεια της ανίχνευσης αντικειμένων τους μοντέλα για το σύστημα ρομπότ "pick and place", το οποίο, όπως υποδηλώνει το όνομα, παραλαμβάνει αντικείμενα και τα τοποθετεί σε άλλο τοποθεσία. Το νέο σύστημα εκμάθησης αύξησε την ικανότητα του ρομπότ να ανιχνεύει και να αρπάζει με ακρίβεια διαφανή αντικείμενα χρησιμοποιώντας μια λαβή παράλληλης σιαγόνας από 12% σε 74% και από 64% σε 86% όταν χρησιμοποιεί ένα σαγόνι αναρρόφησης.
Με τη χρήση της ρομποτικής να αυξάνεται και τις νέες εφαρμογές, βλέπουμε τις δυνατότητές τους να εφαρμόζονται. Αυτή η νέα έρευνα θα ενισχύσει μόνο τη χρήση των ρομπότ. Ωστόσο, η απεικόνιση υπολογιστών δεν χρησιμοποιείται μόνο για αντικείμενα αρπαγής ρομπότ, αλλά χρησιμοποιείται για κάμερες σε σπίτια, αυτοκίνητα και πολλούς άλλους τρόπους - οπότε ποιος ξέρει τι μπορεί να έχει το μέλλον για αυτά τα συστήματα;