Berta Sándor
A játékipar segíti a gyártórobotok létrehozását
A valósághű animációk hatékonyan felkészíthetik az üzemekben alkalmazott gépeket.
Az iparnak létszükséglet, hogy az autonóm robotok gyorsabban tanuljanak és intelligensebb módon közlekedjenek az üzemcsarnokokban. A piac szereplői elsősorban a játékipar képviselőitől kapnak segítséget, akik rendkívül élethű és gyors animációkkal ismertetik meg a létesítményekben használt gépeket a környezetükkel. A robotok megtanulhatják, hogy a mozdulataik és a döntéseik az adott helyzetekben milyen következményekkel járnak, így gyakorlatilag tanulhatnak a hibáikból.
A Német Repülési és Űrhajózási Központ (DLR) által kidolgozott eljárásban alkalmazott akció-reakció minta automatizáltan működik, a hangsúly az szemantikus tanuláson van. A kutatóknak a BlenderProc nevű szoftver segít, amely képes arra, hogy akár egy szimulált gyártási környezet fényviszonyait is valósághűen adja vissza. Ez annak köszönhető, hogy minden egyes képpont, fénysugár és perspektívaváltási változás pontos adatait figyelembe veszi. Ugyanakkor kiderült, hogy ez a módszer néha túl valósághű, amely meglátszik a gépek képzési eredményein.
Az új képzési módszereket a BMW az nVidia bevonásával teszteli. A társaság egyelőre öt logisztikai robotot vezérel mesterséges intelligencia modul segítségével. Az azonnal láthatóvá vált, hogy az autonóm szállítási rendszerek jobban felismerték az olyan akadályokat, mint a targoncák és a munkatársak, sőt, képesek voltak azokat a manuálisan betanított megoldásoknál jobban kikerülni. Jürgen Maidl, a BMW csoport logisztikai vezetője kiemelte, hogy a logisztika újratervezése szempontjából forradalmi dolog a csúcstechnológia alkalmazása a mesterséges intelligencia és a vizualizálás területén. Az nVidiával való együttműködésük lehetővé teszi a számukra a fejlett Ipar 4.0-technológiák kifejlesztését.
A gépek az nVidia által kifejlesztett ISAAC Robotics szoftverplatformon alapulnak és számos mesterséges neurális hálózatot használnak az emberi pozíciók becslésére, a tárgyak észlelésére és a helyiségek feltérképezésére. Emellett virtuális képekkel is zajlik a képzés, hogy a különböző objektumokat és alkatrészeket eltérő látási és fényviszonyok mellett is észleljék. Az így nyert valódi és szintetikus adatokat szintén alkalmazzák a képzésben.
Az iparnak létszükséglet, hogy az autonóm robotok gyorsabban tanuljanak és intelligensebb módon közlekedjenek az üzemcsarnokokban. A piac szereplői elsősorban a játékipar képviselőitől kapnak segítséget, akik rendkívül élethű és gyors animációkkal ismertetik meg a létesítményekben használt gépeket a környezetükkel. A robotok megtanulhatják, hogy a mozdulataik és a döntéseik az adott helyzetekben milyen következményekkel járnak, így gyakorlatilag tanulhatnak a hibáikból.
A Német Repülési és Űrhajózási Központ (DLR) által kidolgozott eljárásban alkalmazott akció-reakció minta automatizáltan működik, a hangsúly az szemantikus tanuláson van. A kutatóknak a BlenderProc nevű szoftver segít, amely képes arra, hogy akár egy szimulált gyártási környezet fényviszonyait is valósághűen adja vissza. Ez annak köszönhető, hogy minden egyes képpont, fénysugár és perspektívaváltási változás pontos adatait figyelembe veszi. Ugyanakkor kiderült, hogy ez a módszer néha túl valósághű, amely meglátszik a gépek képzési eredményein.
Az új képzési módszereket a BMW az nVidia bevonásával teszteli. A társaság egyelőre öt logisztikai robotot vezérel mesterséges intelligencia modul segítségével. Az azonnal láthatóvá vált, hogy az autonóm szállítási rendszerek jobban felismerték az olyan akadályokat, mint a targoncák és a munkatársak, sőt, képesek voltak azokat a manuálisan betanított megoldásoknál jobban kikerülni. Jürgen Maidl, a BMW csoport logisztikai vezetője kiemelte, hogy a logisztika újratervezése szempontjából forradalmi dolog a csúcstechnológia alkalmazása a mesterséges intelligencia és a vizualizálás területén. Az nVidiával való együttműködésük lehetővé teszi a számukra a fejlett Ipar 4.0-technológiák kifejlesztését.
A gépek az nVidia által kifejlesztett ISAAC Robotics szoftverplatformon alapulnak és számos mesterséges neurális hálózatot használnak az emberi pozíciók becslésére, a tárgyak észlelésére és a helyiségek feltérképezésére. Emellett virtuális képekkel is zajlik a képzés, hogy a különböző objektumokat és alkatrészeket eltérő látási és fényviszonyok mellett is észleljék. Az így nyert valódi és szintetikus adatokat szintén alkalmazzák a képzésben.