سیستم این تیم Ù…ÛŒ تواند سیگنال های لمسی واقع گرایانه را از ورودی های بصری ایجاد کند ØŒ Ùˆ پیش بینی کند کدام Ø´ÛŒ Ùˆ Ú†Ù‡ بخشی مستقیماً از آن ورودی های لمسی لمس Ù…ÛŒ شود. آنها از یک بازوی ربات KUKA با یک سنسور لمسی مخصوص به نام GelSight استÙاده کردند Ú©Ù‡ توسط گروه دیگری در MIT طراØÛŒ شده است.
با استÙاده از یک دوربین وب ساده ØŒ این تیم نزدیک به 200 شیء از قبیل ابزار ØŒ Ù…Øصولات خانگی ØŒ پارچه Ùˆ موارد دیگر را ضبط کرده است Ú©Ù‡ بیش از 12ØŒ000 بار لمس Ù…ÛŒ شود. با شکستن این 12000 کلیپ ویدیویی در قاب های استاتیک ØŒ این تیم "VisGel" را جمع آوری کرد ØŒ مجموعه ای از بیش از 3 میلیون تصویر بصری / لمسی.
Yunzhu Li ØŒ دکترای CSAIL Ù…ÛŒ گوید: "با دیدن صØنه ØŒ مدل ما Ù…ÛŒ تواند اØساس لمس یک Ø³Ø·Ø ØµØ§Ù ÛŒØ§ لبه تیز را تصور کند." دانشجو Ùˆ نویسنده اصلی در مقاله جدیدی درباره سیستم. "با لمس کورکورانه در اطرا٠، مدل ما Ù…ÛŒ تواند تعامل با Ù…Øیط را صرÙاً از اØساس لمس پیش بینی کند.
کار اخیر برای تجهیز روبات ها به Øواس بدنی بیشتر مانند انسان ØŒ مانند پروژه MIT 2016 با استÙاده از یادگیری عمیق برای نشان دادن بصری ØŒ یا مدلی Ú©Ù‡ پاسخ اجسام را به نیروهای بدنی پیش بینی Ù…ÛŒ کند ØŒ هر دو از مجموعه داده های بزرگی استÙاده Ù…ÛŒ کنند Ú©Ù‡ برای درک Ùعل Ùˆ انÙعالات موجود نیست. بین دید Ùˆ لمس.
تکنیک تیم با استÙاده از مجموعه داده های VisGel Ùˆ چیزی به نام شبکه های مخال٠مولد (GAN) به نتیجه Ù…ÛŒ رسد.
Yunzhu Li دانشجوی دکترا در آزمایشگاه علوم کامپیوتر Ùˆ هوش مصنوعی MIT (CSAIL) است. اعتبار: موسسه Ùناوری ماساچوست
GAN ها از تصاویر بصری یا لمسی برای تولید تصاویر در روش دیگر استÙاده Ù…ÛŒ کنند. آنها با استÙاده از "ژنراتور" Ùˆ "تمایزگر" Ú©Ù‡ با یکدیگر رقابت Ù…ÛŒ کنند ØŒ کار Ù…ÛŒ کنند ØŒ جایی Ú©Ù‡ ژنراتور قصد دارد تصاویر واقعی به دنبال ایجاد Ùریب Ùˆ تÙریط ایجاد کند. هربار Ú©Ù‡ Ùرد تبعیض آمیز "صید" Ù…ÛŒ کند ØŒ مجبور استدلال داخلی را برای تصمیم گیری اÙشا کند ØŒ Ú©Ù‡ به مولد اجازه Ù…ÛŒ دهد تا به طور مکرر خود را بهبود ببخشد.
چشم انداز برای لمس کردن
انسانها Ù…ÛŒ توانند با دیدن آن نتیجه بگیرند Ú©Ù‡ چگونه یک شیء Ùقط با دیدن آن اØساس Ù…ÛŒ کند. برای بهتر کردن این قدرت به دستگاه ها ØŒ ابتدا سیستم باید موقعیت لمسی را پیدا کرده Ùˆ سپس اطلاعاتی در مورد Ø´Ú©Ù„ Ùˆ اØساس منطقه استخراج کند.
تصاویر مرجع - بدون هیچ گونه تعامل با ربات - شیء - به سیستم Ú©Ù…Ú© Ù…ÛŒ کند تا جزئیات مربوط به اشیاء Ùˆ Ù…Øیط را رمزگذاری کند. سپس ØŒ هنگامی Ú©Ù‡ بازوی ربات در Øال کار بود ØŒ این مدل به سادگی Ù…ÛŒ توانست قاب Ùعلی را با تصویر مرجع آن مقایسه کند ØŒ Ùˆ به راØتی مکان Ùˆ مقیاس لمسی را تشخیص دهد.
این ممکن است چیزی شبیه به تغذیه سیستم از ماوس رایانه ای باشد ، و سپس "دیدن" منطقه ای را که مدل پیش بینی می کند ، شیء را برای وانت لمس کند - که می تواند به ماشینهای بسیار کمک کند تا اقدامات ایمن تر و کارآمدتری را انجام دهند.
لمس به بینایی
برای لمس به بینایی ØŒ هد٠این مدل تولید تصویر تصویری بر اساس داده های لمسی بود. این مدل یک تصویر لمسی را مورد تجزیه Ùˆ تØلیل قرار داده Ùˆ سپس Ø´Ú©Ù„ Ùˆ ماده موقعیت تماس را تشخیص داده است. سپس به تصویر مرجع نگاه داشت تا تعامل را "توهم" کند.
به عنوان مثال ØŒ اگر در Øین آزمایش از داده های لمسی روی یک Ú©ÙØ´ تغذیه شده باشد ØŒ Ù…ÛŒ تواند تصویری از اØتمال لمس آن Ú©ÙØ´ را تهیه کند.
این نوع توانایی Ù…ÛŒ تواند در مواردی Ú©Ù‡ داده های تصویری وجود ندارد ØŒ مانند روشن بودن چراغ ØŒ یا اگر شخص نابینا وارد یک جعبه یا ناØیه ناشناخته شود ØŒ Ù…ÛŒ تواند برای انجام وظای٠مÙید باشد.
با نگاه به آینده
مجموعه داده های Ùعلی Ùقط نمونه هایی از تعامل در یک Ù…Øیط کنترل شده را نشان Ù…ÛŒ دهد. این تیم امیدوار است با جمع آوری داده ها در مناطق بدون ساختار Ùˆ یا با استÙاده از یک دستکش لمسی جدید طراØÛŒ شده توسط MIT ØŒ این مسئله را بهبود ببخشد تا از نظر اندازه Ùˆ تنوع مجموعه داده بهتر شود.
هنوز جزئیاتی وجود دارد Ú©Ù‡ Ù…ÛŒ تواند از Øالت های تغییر مانند مشکل باشد ØŒ مانند Ú¯Ùتن رنگ یک Ø´ÛŒ با لمس کردن آن ØŒ یا Ú¯Ùتن چقدر نرم مبل بدون اینکه روی آن Ùشار بیاورید. Ù…Øققان Ù…ÛŒ گویند Ú©Ù‡ با ایجاد مدلهای قوی تر برای عدم اطمینان ØŒ Ù…ÛŒ توان توزیع نتایج اØتمالی را بهبود بخشید.
در آینده ØŒ این نوع مدل Ù…ÛŒ تواند به ایجاد رابطه هماهنگ تر بین بینایی Ùˆ روباتیک Ú©Ù…Ú© کند ØŒ به خصوص برای تشخیص اشیاء ØŒ درک ØŒ درک بهتر صØنه Ùˆ Ú©Ù…Ú© به ادغام یکپارچه روبات انسان در یک Ù…Øیط دستی یا ساخت.
اندرو اونز ØŒ Ùوق دکترا در دانشگاه کالیÙرنیا در برکلی Ù…ÛŒ گوید: "این اولین روشی است Ú©Ù‡ Ù…ÛŒ تواند به طور متقاعد کننده بین سیگنال های دیداری Ùˆ لمسی ترجمه کند." "روش هایی مانند این امکان وجود دارد Ú©Ù‡ برای رباتیک بسیار Ù…Ùید باشد ØŒ جایی Ú©Ù‡ شما باید به سؤالاتی مانند این پاسخ دهید" آیا این شیء سخت است یا نرم؟ "ØŒ یا" اگر من این لیوان را با دسته آن بلند کنم ØŒ چقدر دستم خوب خواهد بود؟ " این یک مشکل بسیار چالش برانگیز است ØŒ زیرا سیگنال ها بسیار متÙاوت هستند Ùˆ این مدل توانایی بسیار خوبی را نشان داده است. "
دامنه کاربرد پمپ وکیوم خلاء ریشه و انتخاب مدل