Som mennesker har vi vanligvis ikke så mye av et problem å ta tak i gjenstander fra et bord, enten de er en solid gjenstand, som et eple, eller om de er gjennomsiktige som et glass. For datamaskiner og roboter er det imidlertid en annen historie, men takket være en ny algoritme kalt ClearGrasp, kan det høre fortiden til.
Forklart i en nylig i Googles AI-blogg, det er beskrevet hvordan et team av Google-forskere, Columbia University og Synthesis AI, var i stand til å utvikle en ny maskinlæringsalgoritme som nøyaktig kan estimere 3D-data fra et gjennomsiktig objekt ut av RGB-D Bilder. Siden de fleste bildemodeller er basert på solide gjenstander som antar alle overflater, enten det er et bord eller et brus, er lambertisk - de reflekterer lys jevnt i alle retninger - gjennomsiktige gjenstander kan utgjøre problemer. Dette er fordi disse objektene ikke bare reflekterer lyset, men også lyset brytes, noe som igjen forårsaker problemer for bildesystemene.
Verizon tilbyr Pixel 4a for bare $ 10 per måned på nye ubegrensede linjer
Objektbildebehandling brukes i mange applikasjoner fra lager, bilindustri, og det blir til og med brukt i kjøkken. Så evnen til å ikke bare se faste gjenstander, men også en gjennomsiktig gjenstand, er tiltalende av mange årsaker. Denne nye AI-modellen lærer datamaskiner å kunne rekonstruere dybde fra 3D-bilder tatt fra RGB-D-kameraer.
Forskerteamene matet inn store mengder data i maskinlæringsmodellen for å øke nøyaktigheten av gjenstandsdeteksjonen modeller for deres "pick and place" robotsystem, som, som navnet antyder, plukker opp gjenstander og plasserer dem i et annet plassering. Det nye læringssystemet økte robottens evne til å oppdage og gripe gjennomsiktige gjenstander nøyaktig ved hjelp av en parallellkjepper fra 12% til 74% og fra 64% til 86% når du bruker en sugekjeve.
Når bruken av robotikk øker og de nye applikasjonene, ser vi at deres evner blir brukt på. Denne nye forskningen vil bare forsterke robotene bruker enda mer. Imidlertid brukes ikke bildebehandling bare til å gripe objekter, men brukes til kameraer i hjem, biler og mange andre måter - så hvem vet hva fremtiden kan ha for disse systemene?