Som människor har vi vanligtvis inte mycket av ett problem att ta tag i föremål från ett bord, oavsett om de är ett fast föremål, som ett äpple, eller om de är transparenta som ett glas. Men för datorer och robotar är det en annan historia, men tack vare en ny algoritm som heter ClearGrasp kan det bli ett minne blott.
Förklarade i en nyligen i Googles AI-blogg, det beskrivs hur ett team av Google-forskare, Columbia University och Synthesis AI, kunde utveckla en ny maskininlärningsalgoritm som kan exakt uppskatta 3D-data från ett transparent objekt ur RGB-D bilder. Eftersom de flesta bildmodeller är baserade på fasta objekt som antar alla ytor, oavsett om det är ett bord eller ett läskburk, är Lambertian - de reflekterar ljus jämnt i alla riktningar - transparenta föremål kan posera problem. Detta beror på att dessa objekt inte bara reflekterar ljuset utan också ljuset bryts, vilket i sin tur orsakar problem för bildsystemen.
Verizon erbjuder Pixel 4a för bara $ 10 / månad på nya obegränsade linjer
Objektavbildning används i många applikationer från lager, bilindustri, men det används till och med i kök. Så förmågan att inte bara se fasta föremål utan också ett transparent föremål är tilltalande av många skäl. Den här nya AI-modellen lär datorer att kunna rekonstruera djup från 3D-bilder som tagits från RGB-D-kameror.
Forskargruppen matade in stora mängder data i maskininlärningsmodellen för att öka noggrannheten i deras objektdetektering modeller för deras "plocka och placera" -robotsystem, som, som namnet antyder, plockar upp föremål och placerar dem i ett annat plats. Det nya inlärningssystemet ökade robotens förmåga att exakt upptäcka och ta tag i genomskinliga föremål med hjälp av en parallellbackgripare från 12% till 74% och från 64% till 86% när man använder en sugback.
När användningen av robotik ökar och de nya applikationerna ser vi deras möjligheter tillämpas på. Denna nya forskning förstärker bara robotarna använder ännu mer. Datoravbildning används dock inte bara för att ta robotobjekt utan den används för kameror i hem, bilar och många andra sätt - så vem vet vad framtiden kan ha för dessa system?