Miksi luotat yrityksesi meihin?
Otamme paniikin pois hankinnoista. Meillä on varastossa miljoonia vaikeasti löydettäviä osia luotettavista lähteistä. Päivitämme tuotelistamme minuutteina, ja online-ostot suoritetaan reaaliajassa ja toimitetaan päivittäin.
Vuonna 2002 perustettu MFGChips on paikallinen johtava elektroniikkakomponenttien jakelu, ja se tunnustetaan myös yhdeksi arvostetuimmista ja innovatiivisimmista yrityksistä paikallisilla markkinoilla nykyään. Hongkongissa sijaitseva MFGChips on saanut vaikuttavan maineen tarjoamalla erinomaista palvelua ja kehittämällä tehokkaita, kattavia globaaleja toimitusketjuratkaisuja.
Lisätietoja >
Robotit oppivat esineiden piirteitä ravistamalla
Robotit voivat nyt selvittää esineen painon ja pehmeyden ravistamalla sitä käyttämällä vain antureita, kameroita tai tarvittavia työkaluja.
MIT: n, Amazon Roboticsin ja British Columbian yliopiston tutkijat ovat kehittäneet menetelmän, jonka avulla robotit voivat oppia esineen painosta, pehmeydestä tai sisällöstä ravistamalla sitä varovasti.Robotit voivat käyttää sisäisiä antureita objektin massaan sekunnissa ilman, että vaaditaan kameroita tai ulkoisia työkaluja.Tämä edullinen tekniikka on hyödyllinen ympäristöissä, joissa kamerat eivät välttämättä toimi, kuten pimeissä tiloissa tai katastrofin palautumisen aikana.
Menetelmän keskeinen osa on simulointiprosessi, joka mallii sekä robotin että objektin, jonka avulla robotti voi tunnistaa objektin ominaisuudet vuorovaikutuksen aikana nopeasti.Tekniikka on yhtä tehokas kuin kalliimmat tietokoneen näkömenetelmät.Se on riittävän vankka käsittelemään erilaisia näkymättömiä skenaarioita, mikä tekee siitä monipuolisen ratkaisun erilaisiin robottisovelluksiin.
Tunnistussignaalit
Tutkijoiden menetelmä käyttää proprioceptiota, joka on kyky tunnistaa liike tai sijainti, samanlainen kuin ihmiset tuntevat käsipainon painon.Robotti voi havaita esineen raskauden käsivarren niveltensä kautta.Kun robotti nostaa objektin, se kerää tietoja nivelkoodereistaan, jotka mittaavat nivelten sijainnin ja nopeuden, mikä tekee menetelmästä kustannustehokkaan tarvitsematta ylimääräisiä antureita, kuten kosketus- tai visioseurantalaitteita.Järjestelmä käyttää kahta mallia robotin liikkeeseen ja esineen käyttäytymiseen.Seuraamalla robotin liikkeitä ja käyttämällä yhteistä tietoa, algoritmi selvittää esineen ominaisuudet, kuten kuinka raskaampi objekti liikkuu hitaammin kuin kevyempi saman voiman alla.
Erilaiset simulaatiot
Tekniikka käyttää erilaistettavissa olevia simulaatioita ennustaakseen, kuinka objektin ominaisuuksien, kuten massan tai pehmeyden, muutokset vaikuttavat robotin lopulliseen nivelasentoon.Tutkijat toivovat yhdistävänsä tämän tekniikan tietokoneen visioon tehokkaampaan multimodaaliseen järjestelmään.Niiden tavoitteena on myös soveltaa sitä monimutkaisempiin robottijärjestelmiin, kuten pehmeisiin robotteihin ja käsitellä esineitä, kuten nesteiden tai rakeisten materiaalien liittämistä.Viime kädessä he kuvittelevat tätä tekniikkaa parantavan robotti -oppimista, jolloin robotit voivat kehittää uusia manipulaatiotaitoja ja sopeutua nopeasti muuttuviin ympäristöihin.