Evolusi Robot
Teknologi

Evolusi Robot

Evolusi Robot

 

Evolusi Robot
Evolusi Robot

Berkat kecerdasan buatan , robot dapat melakukan hal-hal luar biasa, seperti bekerja dengan manusia secara

kolaboratif di pabrik, mengirimkan paket dengan cepat ke gudang, dan menjelajahi permukaan Mars. Namun terlepas dari prestasi ini, kami baru saja mulai melihat robot yang mampu menyeduh secangkir kopi yang baik. Bagi robot, mampu memahami dan memahami dunia di sekitar mereka sangat penting untuk integrasi yang mudah. Praktik rutin seperti itu, seperti menyalakan mesin kopi, mengeluarkan kacang dan menemukan susu dan gula, membutuhkan kemampuan persepsi tertentu yang tetap menjadi fantasi bagi banyak mesin.

Namun, ini berubah. Beberapa teknologi berbeda digunakan untuk membantu robot lebih memahami lingkungan tempat mereka bekerja. Ini termasuk memahami objek di sekitar mereka dan mengukur jarak. Di bawah ini adalah contoh dari teknologi ini.
The LiDAR: sensor jarak cahaya dan laser
Beberapa perusahaan sedang mengembangkan teknologi LiDAR (pengukuran jarak jauh dan berbasis laser dan deteksi objek) untuk membantu robot dan kendaraan otonom melihat benda-benda di sekitarnya. Prinsip LiDAR hanyalah menyinari permukaan dan mengukur waktu yang diperlukan untuk kembali ke sumbernya.

lidar-otonom-mobil

Dengan memancarkan pulsa cahaya laser yang cepat ke permukaan dalam suksesi yang cepat, sensor dapat membuat “peta” kompleks dari permukaan yang diukur. Saat ini ada tiga jenis utama sensor: sensor balok tunggal, sensor multi-balok, dan sensor rotasi.

Sensor sinar tunggal menghasilkan sinar cahaya dan biasanya digunakan untuk mengukur jarak antara objek besar, seperti dinding, lantai, dan langit-langit. Dalam sensor sinar tunggal, balok dapat dibagi menjadi balok yang sangat terkolimasi, mirip dengan yang digunakan dalam laser pointer (yaitu balok akan tetap kecil di seluruh rentang). Balok dioda LED dan berdenyut mirip dengan senter (yaitu sinar akan menyimpang dari jarak jauh).

Sensor multi-balok menghasilkan beberapa sinar deteksi secara bersamaan dan ideal untuk menghindari objek dan

benturan. Akhirnya, sensor rotasi menghasilkan sinar tunggal saat perangkat berputar dan sering digunakan untuk deteksi dan penghindaran objek. Sensor Deteksi Bagian . Tugas penting, yang sering dipercayakan pada robot, terutama di industri manufaktur, adalah mengambil objek. Lebih khusus, robot perlu tahu di mana suatu objek berada dan apakah siap untuk diambil. Ini membutuhkan pekerjaan berbagai sensor untuk membantu mesin mendeteksi posisi dan orientasi objek. Robot mungkin sudah memiliki sensor yang dibangun ke dalam kemampuan penginderaannya, yang mungkin merupakan solusi yang cocok jika Anda hanya ingin mendeteksi ada atau tidaknya suatu objek.

Sensor pendeteksian bagian umumnya digunakan dalam robot industri dan dapat mendeteksi apakah suatu bagian telah tiba di lokasi tertentu. Ada berbagai jenis sensor, masing-masing dengan kemampuan unik, termasuk mendeteksi keberadaan, bentuk, jarak, warna, dan orientasi suatu objek.

Sensor penglihatan robot menawarkan beberapa manfaat teknologi tinggi untuk robot kolaboratif di semua industri. Tampilan 2D dan 3D memungkinkan robot untuk memanipulasi bagian yang berbeda tanpa pemrograman ulang, untuk menangkap objek dari posisi dan orientasi yang tidak diketahui, dan untuk mengoreksi ketidakakuratan. Visi 3D dan masa depan robot “indra” Pengenalan robot ke dalam aspek yang lebih intim dari kehidupan kita (seperti rumah kita) membutuhkan pemahaman yang lebih dalam dan lebih bernuansa objek tiga dimensi. Sementara robot tentu bisa “melihat” objek menggunakan kamera dan sensor, lebih sulit untuk menafsirkan apa yang mereka lihat secara sekilas.

Algoritma persepsi robot, yang dikembangkan oleh seorang mahasiswa pascasarjana di Universitas Duke dan pembimbing tesisnya, memungkinkan untuk menebak apa objek itu, bagaimana itu berorientasi, dan untuk “membayangkan” semua bagian dari objek yang mungkin tidak terlihat.

Algoritma ini dikembangkan dengan menggunakan 4.000 penuh pemindaian 3D objek rumah tangga biasa, termasuk

bermacam-macam tempat tidur, kursi, meja, monitor, peti laci, meja samping tempat tidur, meja, bathtub, dan sofa. Setiap pemindaian kemudian dipecah menjadi puluhan ribu voxel, ditumpuk satu di atas yang lain, untuk memudahkan pemrosesan.

Menggunakan analisis probabilistik komponen utama, algoritma mempelajari kategori objek, persamaannya, dan perbedaannya. Ini memungkinkannya untuk memahami apa objek baru tanpa harus menyaring seluruh katalog untuk menemukan kecocokan.

Sumber:

http://www.unmermadiun.ac.id/sewulan/index.php/2020/05/seva-mobil-bekas/