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 >
Harjoittelurobotit urheiluliikkeisiin
Voivatko robotit liikkua kuin urheilijat?Uusi koulutusmalli auttaa heitä toistamaan urheilumuutoksia, mutta tulokset osoittavat sekä edistymistä että odottamattomia haasteita.
Carnegie Mellon -yliopiston AI- ja robotiikan tutkijoiden ryhmä yhdessä kahden Nvidian kollegan kanssa on luonut uuden mallin kouluttaakseen robotteja liikkumaan kuten ihmisurheilijat.Joukkue havaitsi, että suurin osa robottikoulutuksesta keskittyy liikkumiseen, mikä johtaa roboteihin, jotka liikkuvat tehokkaasti, mutta ilman sujuvuutta tai urheilullisuutta.Tämän ratkaisemiseksi he tutkivat koko kehon koulutusta.He havaitsivat, että olemassa olevista malleista puuttui sopeutumiskyky, ja he luottavat liian moniin parametreihin, mikä teki robottiliikkeistä liian varovaisia.Tämä sai heidät kehittämään uuden kaksivaiheisen koulutuskehyksen.
Ensimmäinen vaihe kouluttaa AI-moduulin koko kehon ihmisen liikevideoiden analysoimiseksi säätämällä avainliikkeitä robotin ominaisuuksien sopimaan liikkeen seurannan avulla.Toinen vaihe kerää reaalimaailman tietoa, joka kattaa kuilun ihmisen liikkeen välillä videoissa ja kuinka robotit voivat fyysisesti liikkua.Tämä prosessi johti kehykseen, jota kutsutaan Simulation ja todellinen fysiikka (ASAP).
ASAP -kehys koostuu neljästä vaiheesta.Ensinnäkin liikkeen seuranta edeltävää koulutusta ja todellista radan kokoelmaa liittyy ihmisen videoiden humanoidiliikkeiden uudelleenkohdistamiseen.Useita liikkeen seurantakäytäntöjä on ennakkokoulumista reaalimaailman liikkeen suuntausten tuottamiseksi.Seuraavaksi Delta-toimintamallikoulutus suoritetaan käyttämällä reaalimaailman käyttöönottotietoja.Tämä vaihe minimoi simuloidun tilan ja todellisen reaalimaailman tilan välisen eron, mikä parantaa mallin tarkkuutta.
Politiikan hienosäätövaiheessa Delta-toimintamalli jäädytetään ja integroitu simulaattoriin kohdistaakseen paremmin reaalimaailman fysiikan kanssa.Esikoulutettu liikkeen seurantapolitiikka on sitten hienosäädetty tarkkuuden saavuttamiseksi.Lopuksi, reaalimaailman käyttöönotossa, hienosäädetty politiikka toteutetaan suoraan todellisessa maailmassa luottamatta Delta-toimintamalliin varmistaen, että robotti voi suorittaa koulutetut liikkeet itsenäisesti.
Kehyksen testaamiseksi tutkijat kouluttivat robotin ikonisten urheilumuutosten toistamiseen.Se suoritti Kobe Bryantin Fadeaway-hyppylaukauksen, LeBron Jamesin äänenvaimentimen liikkeen ja Cristiano Ronaldon SIU-harppauksen keskipisteen spinillä.Jokainen liike tallennettiin.
Robotin liikkeet muistuttavat selvästi kuuluisia urheilumuutoksia ja korostavat edistymistä koko kehon liikkeessä.On kuitenkin myös selvää, että tarvitaan paljon enemmän työtä, ennen kuin robotti voitaisiin erehtyä ammattiurheilijaksi.
Carnegie Mellon -yliopiston AI- ja robotiikan tutkijoiden ryhmä yhdessä kahden Nvidian kollegan kanssa on luonut uuden mallin kouluttaakseen robotteja liikkumaan kuten ihmisurheilijat.Joukkue havaitsi, että suurin osa robottikoulutuksesta keskittyy liikkumiseen, mikä johtaa roboteihin, jotka liikkuvat tehokkaasti, mutta ilman sujuvuutta tai urheilullisuutta.Tämän ratkaisemiseksi he tutkivat koko kehon koulutusta.He havaitsivat, että olemassa olevista malleista puuttui sopeutumiskyky, ja he luottavat liian moniin parametreihin, mikä teki robottiliikkeistä liian varovaisia.Tämä sai heidät kehittämään uuden kaksivaiheisen koulutuskehyksen.
Ensimmäinen vaihe kouluttaa AI-moduulin koko kehon ihmisen liikevideoiden analysoimiseksi säätämällä avainliikkeitä robotin ominaisuuksien sopimaan liikkeen seurannan avulla.Toinen vaihe kerää reaalimaailman tietoa, joka kattaa kuilun ihmisen liikkeen välillä videoissa ja kuinka robotit voivat fyysisesti liikkua.Tämä prosessi johti kehykseen, jota kutsutaan Simulation ja todellinen fysiikka (ASAP).
ASAP -kehys koostuu neljästä vaiheesta.Ensinnäkin liikkeen seuranta edeltävää koulutusta ja todellista radan kokoelmaa liittyy ihmisen videoiden humanoidiliikkeiden uudelleenkohdistamiseen.Useita liikkeen seurantakäytäntöjä on ennakkokoulumista reaalimaailman liikkeen suuntausten tuottamiseksi.Seuraavaksi Delta-toimintamallikoulutus suoritetaan käyttämällä reaalimaailman käyttöönottotietoja.Tämä vaihe minimoi simuloidun tilan ja todellisen reaalimaailman tilan välisen eron, mikä parantaa mallin tarkkuutta.
Politiikan hienosäätövaiheessa Delta-toimintamalli jäädytetään ja integroitu simulaattoriin kohdistaakseen paremmin reaalimaailman fysiikan kanssa.Esikoulutettu liikkeen seurantapolitiikka on sitten hienosäädetty tarkkuuden saavuttamiseksi.Lopuksi, reaalimaailman käyttöönotossa, hienosäädetty politiikka toteutetaan suoraan todellisessa maailmassa luottamatta Delta-toimintamalliin varmistaen, että robotti voi suorittaa koulutetut liikkeet itsenäisesti.
Kehyksen testaamiseksi tutkijat kouluttivat robotin ikonisten urheilumuutosten toistamiseen.Se suoritti Kobe Bryantin Fadeaway-hyppylaukauksen, LeBron Jamesin äänenvaimentimen liikkeen ja Cristiano Ronaldon SIU-harppauksen keskipisteen spinillä.Jokainen liike tallennettiin.
Robotin liikkeet muistuttavat selvästi kuuluisia urheilumuutoksia ja korostavat edistymistä koko kehon liikkeessä.On kuitenkin myös selvää, että tarvitaan paljon enemmän työtä, ennen kuin robotti voitaisiin erehtyä ammattiurheilijaksi.