XMOS добавит интеллект в любой датчик
Британская компания XMOS разработала
Технически это многоядерный чип RISC-архитектуры, сочетающий в себе возможности цифровой обработки сигналов (DSP) и контроллера ввода/вывода (I/O) с интеллектуальным управлением.
В нём используется встроенная память типа SRAM (2 x 512 КБ), которая в зависимости от задачи расширяется внешними модулями стандарта LPDDR до нужного объёма. Чип оснащён 128 портами ввода-вывода общего назначения (GPIO), встроенным контроллером USB и поддерживает интерфейс MIPI.
Помимо векторных, в нём аппаратно ускоряются и другие операции, часто используемые в искусственных нейронных сетях: пакетная нормализация и выпрямленная линейная функция активации (ReLU).
На практике
Например, за счёт
Современные IP-камеры потребляют от 5 до 20 Вт и транслируют видео на невысокой частоте, поскольку используют процессоры общего назначения. Им требуется питание от сети, а вся продвинутая обработка изображения выполняется на внешних устройствах.
Камера со встроенным
За счёт быстрого DSP интеллектуальная камера будет успевать записывать видео на более высокой скорости, а высокая энергоэффективность позволит организовать компактный источник аварийного питания.
Источник: xcore.ai
Компания предоставляет подробности по запросу, но вот вам прямая ссылка для экономии времени.
Британская компания XMOS разработала
xcore.ai – энергоэффективный процессор третьего поколения для ускорения задач искусственного интеллекта в устройствах класса «интернет вещей» (IoT). Технически это многоядерный чип RISC-архитектуры, сочетающий в себе возможности цифровой обработки сигналов (DSP) и контроллера ввода/вывода (I/O) с интеллектуальным управлением.
В нём используется встроенная память типа SRAM (2 x 512 КБ), которая в зависимости от задачи расширяется внешними модулями стандарта LPDDR до нужного объёма. Чип оснащён 128 портами ввода-вывода общего назначения (GPIO), встроенным контроллером USB и поддерживает интерфейс MIPI.
Xcore.ai работает на частоте до 800 МГц. За одну секунду он выполняет до 38 миллиардов векторных операций и до одного миллиона 512-точечных БПФ (быстрых преобразований Фурье). Помимо векторных, в нём аппаратно ускоряются и другие операции, часто используемые в искусственных нейронных сетях: пакетная нормализация и выпрямленная линейная функция активации (ReLU).
На практике
Xcore.ai – это интересная попытка добавить функционал различным датчикам и перенести обработку сигнала ближе к его источнику – очередной виток развития концепции Edge-computing.Например, за счёт
Xcore.ai можно добавить функцию распознавания лиц в электронный замок, или сделать видеонаблюдение действительно интеллектуальным.Современные IP-камеры потребляют от 5 до 20 Вт и транслируют видео на невысокой частоте, поскольку используют процессоры общего назначения. Им требуется питание от сети, а вся продвинутая обработка изображения выполняется на внешних устройствах.
Камера со встроенным
Xcore.ai станет более автономной. Она сможет самостоятельно реализовать алгоритмы обнаружения движения, распознавания лиц и номеров, при этом потребляя меньше энергии.За счёт быстрого DSP интеллектуальная камера будет успевать записывать видео на более высокой скорости, а высокая энергоэффективность позволит организовать компактный источник аварийного питания.
Источник: xcore.ai
Компания предоставляет подробности по запросу, но вот вам прямая ссылка для экономии времени.
www.xmos.ai
XMOS - Bringing technology to life
Building on our heritage in audio solutions, our easy-to-integrate voice interfaces provide state of the art sound processing at a compelling price. Perfect for developers who want the best choice in voice.
Бесплатный курс «Основы устройства беспилотных автомобилей»
Компания Baidu (китайский аналог Google) делает ставку на массовое производство беспилотных транспортных средств, чьи правила передвижения задаются виртуальными геозонами.
Она развивает это направление как отрытую платформу Apollo, впервые представленную на CES 2018, и предлагает всем желающим изучать её бесплатно.
Сейчас Apollo выросла до версии 5.5, а познакомиться с ней стало проще. Вместе с частной образовательной организацией Udacity в Baidu подготовили доступный курс для начинающих.
Вы можете приступить к его изучению без каких-либо навыков программирования и углубленной математической подготовки – достаточно базовых школьных знаний.
Курс ведут десять специалистов, среди которых основатель Udacity Себастьян Трун, Старший директор по разработке платформы Apollo Цзинао Ван и главный архитектор CarOS Нин Цюй.
Вы узнаете, как устроены ключевые компоненты системы автопилота, познакомитесь с подходами к упреждающему расчёту траекторий транспортных средств, изучите работу с картами высокой плотности и познакомитесь с архитектурой Apollo.
Все задачи и подходы к их решению разбираются на примере актуальной версии быстро развивающейся платформы Apollo и комментируются её разработчиками.
После успешного завершения курса вам будут предложены варианты дальнейшего обучения, где вы сможете углубить свои знания и начать карьеру разработчика интеллектуальных систем беспилотного транспорта.
Записаться на курс можно здесь.
Компания Baidu (китайский аналог Google) делает ставку на массовое производство беспилотных транспортных средств, чьи правила передвижения задаются виртуальными геозонами.
Она развивает это направление как отрытую платформу Apollo, впервые представленную на CES 2018, и предлагает всем желающим изучать её бесплатно.
Сейчас Apollo выросла до версии 5.5, а познакомиться с ней стало проще. Вместе с частной образовательной организацией Udacity в Baidu подготовили доступный курс для начинающих.
Вы можете приступить к его изучению без каких-либо навыков программирования и углубленной математической подготовки – достаточно базовых школьных знаний.
Курс ведут десять специалистов, среди которых основатель Udacity Себастьян Трун, Старший директор по разработке платформы Apollo Цзинао Ван и главный архитектор CarOS Нин Цюй.
Вы узнаете, как устроены ключевые компоненты системы автопилота, познакомитесь с подходами к упреждающему расчёту траекторий транспортных средств, изучите работу с картами высокой плотности и познакомитесь с архитектурой Apollo.
Все задачи и подходы к их решению разбираются на примере актуальной версии быстро развивающейся платформы Apollo и комментируются её разработчиками.
После успешного завершения курса вам будут предложены варианты дальнейшего обучения, где вы сможете углубить свои знания и начать карьеру разработчика интеллектуальных систем беспилотного транспорта.
Записаться на курс можно здесь.
Udacity
Self-Driving Fundamentals: Featuring Apollo | Udacity
Learn online and advance your career with courses in programming, data science, artificial intelligence, digital marketing, and more. Gain in-demand technical skills. Join today!
❤1
В 2018 году на Netflix вышел первый эпизод сериала Altered Carbon. Сейчас снимают второй. Идея фильма не нова (трансфер сознания в другое тело), но подана красиво.
Инопланетные технологии позволили создать стек – компактный носитель личности человека, который после смерти переносится в VR или в другую оболочку – например, синтетическое, или восстановленное тело.
Разработчики стека мечтали устроить космическую экспансию, главным сдерживающим фактором которой была продолжительность жизни экипажа звездолёта. Раз она больше не имеет значения, то можно отправиться к далёким мирам, перерождаясь по пути и сохраняя все воспоминания.
Однако у власть имущих были другие виды на новую технологию. Личное бессмертие и тотальный контроль их интересовали гораздо больше туманных перспектив колонизации экзопланет.
Стек усугубил социальное неравенство, появились противники сложившегося общественного строя - инвои, что и стало завязкой сюжета.
Разумеется, в этой истории приходится сделать много фантастических допущений. Например, в фильме стек размещается в основании черепа, но чисто анатомически там негде имплантировать столь крупный девайс. Есть и менее явные несоответствия, но с первой серии сюжет настолько интригует, что постепенно абстрагируешься от них.
Больше всего мне понравился образ По – владельца ИИ-отеля «Ворон». Крис Коннер блестяще сыграл искусственный интеллект, увлечённо изучающий людей и обладающий навыками психохирургии. Часто его поведение было более человечным, чем у посетителей и постояльцев отеля. Единственный персонаж, которого мне было действительно жаль.
Брутальный шведский актёр Чарльз Джоэл Нордстрём (играющий под псевдонимом Джоэл Киннаман) отлично подошёл на роль «оболочки» инвоя Такеши Ковача и Райкера – бывшего офицера полиции. Настоящий викинг, в отличие от марвелловского Тора.
Лоуренс Бэнкрофт в исполнении Джеймса Пьюрфоя ровно такой, каким и должен быть скучающий демиург. Имея безграничные финансовые возможности, он пытается понять: остались ли у него хоть какие-то внутренние барьеры, или он всё-таки переступил ту последнюю черту, которую сам себе обозначил в попытке остаться человеком.
Кристин Леман убедительно сыграла светскую львицу Мириам Бэнкрофт, но её поведение по сюжету довольно странное. Она ведёт себя неосмотрительно, лично участвует в грязных делах, а затем предлагает запредельно щедрые отступные за прекращение расследования.
Всё ждал увидеть на ней татуировку «Prime Suspect», но тут возникла ещё одна неувязка: женщина с ярко выраженной сексуальной доминантой и безграничными финансами предпочитает соблазнять феромонами вместо того, чтобы перенести свой стек в более привлекательную оболочку.
Визуальный ряд в сериале выглядит как манифест натуристов, и этим он похож на West World. Отношение к телу здесь такое же.
Квеллкрист Фальконер в исполнении Рене Голдсберри получилась сверхчеловеком. Актриса хороша, но я не мог отделаться от мысли, что ей дали эту роль из соображений политкорректности. Просто был нужен образ чёрного лидера сопротивления и мученицы.
Как бы там ни было, мне сложно поверить в существование личности с таким набором качеств. Айтишница мега-уровня бегает по лесам и ведёт партизанскую войну со смутной конечной целью.
Даже менее опытные подопечные задают резонный вопрос: что помешает противнику откатить изменения, которые она хочет внести в принцип работы стеков любой ценой?
Квелл знает всех людей лучше них самих и безошибочно предугадывает их действия - как тогда получилось, что она допустила столь фатальные ошибки одну за другой?
Возможно, мы узнаем ответы на эти вопросы в новом сезоне, или проникнемся атмосферой сериала настолько, что придумаем свои ответы.
Инопланетные технологии позволили создать стек – компактный носитель личности человека, который после смерти переносится в VR или в другую оболочку – например, синтетическое, или восстановленное тело.
Разработчики стека мечтали устроить космическую экспансию, главным сдерживающим фактором которой была продолжительность жизни экипажа звездолёта. Раз она больше не имеет значения, то можно отправиться к далёким мирам, перерождаясь по пути и сохраняя все воспоминания.
Однако у власть имущих были другие виды на новую технологию. Личное бессмертие и тотальный контроль их интересовали гораздо больше туманных перспектив колонизации экзопланет.
Стек усугубил социальное неравенство, появились противники сложившегося общественного строя - инвои, что и стало завязкой сюжета.
Разумеется, в этой истории приходится сделать много фантастических допущений. Например, в фильме стек размещается в основании черепа, но чисто анатомически там негде имплантировать столь крупный девайс. Есть и менее явные несоответствия, но с первой серии сюжет настолько интригует, что постепенно абстрагируешься от них.
Больше всего мне понравился образ По – владельца ИИ-отеля «Ворон». Крис Коннер блестяще сыграл искусственный интеллект, увлечённо изучающий людей и обладающий навыками психохирургии. Часто его поведение было более человечным, чем у посетителей и постояльцев отеля. Единственный персонаж, которого мне было действительно жаль.
Брутальный шведский актёр Чарльз Джоэл Нордстрём (играющий под псевдонимом Джоэл Киннаман) отлично подошёл на роль «оболочки» инвоя Такеши Ковача и Райкера – бывшего офицера полиции. Настоящий викинг, в отличие от марвелловского Тора.
Лоуренс Бэнкрофт в исполнении Джеймса Пьюрфоя ровно такой, каким и должен быть скучающий демиург. Имея безграничные финансовые возможности, он пытается понять: остались ли у него хоть какие-то внутренние барьеры, или он всё-таки переступил ту последнюю черту, которую сам себе обозначил в попытке остаться человеком.
Кристин Леман убедительно сыграла светскую львицу Мириам Бэнкрофт, но её поведение по сюжету довольно странное. Она ведёт себя неосмотрительно, лично участвует в грязных делах, а затем предлагает запредельно щедрые отступные за прекращение расследования.
Всё ждал увидеть на ней татуировку «Prime Suspect», но тут возникла ещё одна неувязка: женщина с ярко выраженной сексуальной доминантой и безграничными финансами предпочитает соблазнять феромонами вместо того, чтобы перенести свой стек в более привлекательную оболочку.
Визуальный ряд в сериале выглядит как манифест натуристов, и этим он похож на West World. Отношение к телу здесь такое же.
Квеллкрист Фальконер в исполнении Рене Голдсберри получилась сверхчеловеком. Актриса хороша, но я не мог отделаться от мысли, что ей дали эту роль из соображений политкорректности. Просто был нужен образ чёрного лидера сопротивления и мученицы.
Как бы там ни было, мне сложно поверить в существование личности с таким набором качеств. Айтишница мега-уровня бегает по лесам и ведёт партизанскую войну со смутной конечной целью.
Даже менее опытные подопечные задают резонный вопрос: что помешает противнику откатить изменения, которые она хочет внести в принцип работы стеков любой ценой?
Квелл знает всех людей лучше них самих и безошибочно предугадывает их действия - как тогда получилось, что она допустила столь фатальные ошибки одну за другой?
Возможно, мы узнаем ответы на эти вопросы в новом сезоне, или проникнемся атмосферой сериала настолько, что придумаем свои ответы.
Intrinsyc выпустила хардверный комплект разработчика ИИ для IoT
Канадская компания Intrinsyc – крупный поставщик решений для встраиваемых систем, представила комплект разработчика
С его помощью становится доступным создание компактных ИИ-платформ, реализующих интеллектуальные функции непосредственно на дронах и IoT-устройствах.
Это первый крупный анонс Intrinsyc Technologies с тех пор, как в конце 2019 года она была поглощена калифорнийской Lantronix.
Snapdragon 865 Mobile HDK работает под управлением Android 10 (и будет поддерживать Android 11, предварительная версия тестируется уже сейчас). По сравнению со Snapdragon 855, он на 25% быстрее в общих вычислениях и в разы производительнее при ускорении нейросетей.
Однокристальная система Snapdragon 865 – это флагманский продукт Qualcomm, знакомый по топовым смартфонам Samsung Galaxy S20 и Xiaomi Mi 10. Она выполнена по техпроцессу 7 нм и обеспечивает высочайшую энергоэффективность.
Универсальные вычислительные блоки в ней представлены четырьмя ядрами Kryo 585 Silver (1,8 ГГц, кластер Cortex-A55), тремя быстрыми ядрами Kryo 585 Gold (2,42 ГГц, кластер Cortex-A77), и одним выделенным ядром Kryo 585 Gold, работающим на повышенной частоте (2,84 ГГц).
Однако настоящая мощь чипа скрывается в его гетерогенной архитектуре. Помимо классических ядер, её формирует графический процессор Adreno 650 GPU и новый сигнальный процессор Hexagon DSP.
Вместе CPU, GPU и DSP образуют кластер Qualcomm AI Engine и работают как аппаратный ускоритель для типовых операций нейросетей (умножение векторов и матриц), позволяя использовать функционал ИИ на мобильных или встраиваемых устройствах.
В Snapdragon 865 используется AI-движок пятого поколения, обеспечивающий до 15 TOPS (триллионов операций в секунду). Это суперкомпьютер в миниатюре, который в реальном времени способен распознавать речь, печатный текст, рукописный ввод, лица, номера машин и объекты любых заданных классов.
Qualcomm также реализовала в Snapdragon 865 технологию вычислений смешанной точности (FP 8/16/32) и динамического высвобождения полосы пропускания на основе алгоритмов глубокого обучения. В отдельных сценариях достигается четырёхкратное ускорение (по сравнению с 855) и сжатие передаваемых данных без потерь на 50%.
Дополнительную оптимизацию использования ресурсов обеспечивает софтверный набор Qualcomm AI Model Efficiency Toolkit. Он обрабатывает модели обучения и отсекает избыточные параметры, используя сингулярное разложение матриц (SVD) и байесовское сжатие.
Snapdragon 865 Mobile HDK выполнен в виде платы размером 100 x 85 мм. Он поставляется с 6 ГБ оперативной памяти LPDDR5x, оснащен 128 ГБ модулем флэш-памяти стандарта UFS 3.0, и допускает её расширение за счёт карты памяти microSD.
Связь обеспечивает двухдиапазонный модуль Atheros QCA6391 с поддержкой новейших стандартов Wi-Fi 802.11ac/ax и Bluetooth 5.1.
Рекомендованная цена набора для разработчиков составляет $1149.
Источник: www.intrinsyc.com
Канадская компания Intrinsyc – крупный поставщик решений для встраиваемых систем, представила комплект разработчика
Snapdragon 865 Mobile HDK с мощным движком Qualcomm AI Engine. С его помощью становится доступным создание компактных ИИ-платформ, реализующих интеллектуальные функции непосредственно на дронах и IoT-устройствах.
Это первый крупный анонс Intrinsyc Technologies с тех пор, как в конце 2019 года она была поглощена калифорнийской Lantronix.
Snapdragon 865 Mobile HDK работает под управлением Android 10 (и будет поддерживать Android 11, предварительная версия тестируется уже сейчас). По сравнению со Snapdragon 855, он на 25% быстрее в общих вычислениях и в разы производительнее при ускорении нейросетей.
Однокристальная система Snapdragon 865 – это флагманский продукт Qualcomm, знакомый по топовым смартфонам Samsung Galaxy S20 и Xiaomi Mi 10. Она выполнена по техпроцессу 7 нм и обеспечивает высочайшую энергоэффективность.
Универсальные вычислительные блоки в ней представлены четырьмя ядрами Kryo 585 Silver (1,8 ГГц, кластер Cortex-A55), тремя быстрыми ядрами Kryo 585 Gold (2,42 ГГц, кластер Cortex-A77), и одним выделенным ядром Kryo 585 Gold, работающим на повышенной частоте (2,84 ГГц).
Однако настоящая мощь чипа скрывается в его гетерогенной архитектуре. Помимо классических ядер, её формирует графический процессор Adreno 650 GPU и новый сигнальный процессор Hexagon DSP.
Вместе CPU, GPU и DSP образуют кластер Qualcomm AI Engine и работают как аппаратный ускоритель для типовых операций нейросетей (умножение векторов и матриц), позволяя использовать функционал ИИ на мобильных или встраиваемых устройствах.
В Snapdragon 865 используется AI-движок пятого поколения, обеспечивающий до 15 TOPS (триллионов операций в секунду). Это суперкомпьютер в миниатюре, который в реальном времени способен распознавать речь, печатный текст, рукописный ввод, лица, номера машин и объекты любых заданных классов.
Qualcomm также реализовала в Snapdragon 865 технологию вычислений смешанной точности (FP 8/16/32) и динамического высвобождения полосы пропускания на основе алгоритмов глубокого обучения. В отдельных сценариях достигается четырёхкратное ускорение (по сравнению с 855) и сжатие передаваемых данных без потерь на 50%.
Дополнительную оптимизацию использования ресурсов обеспечивает софтверный набор Qualcomm AI Model Efficiency Toolkit. Он обрабатывает модели обучения и отсекает избыточные параметры, используя сингулярное разложение матриц (SVD) и байесовское сжатие.
Snapdragon 865 Mobile HDK выполнен в виде платы размером 100 x 85 мм. Он поставляется с 6 ГБ оперативной памяти LPDDR5x, оснащен 128 ГБ модулем флэш-памяти стандарта UFS 3.0, и допускает её расширение за счёт карты памяти microSD.
Связь обеспечивает двухдиапазонный модуль Atheros QCA6391 с поддержкой новейших стандартов Wi-Fi 802.11ac/ax и Bluetooth 5.1.
Рекомендованная цена набора для разработчиков составляет $1149.
Источник: www.intrinsyc.com
Lantronix
Snapdragon™ 865 Mobile Hardware Development Kit | Lantronix
The Snapdragon 865 Mobile Hardware Development Kit provides an open-frame solution based on the Qualcomm Snapdragon 865 Mobile Platform
Forwarded from DX.Media
ИИ выполняет контроль качества на любом производстве
Компания Neurala использует уникальную нейронную сеть, чтобы автоматически находить любые дефекты продукции. Это может быть что угодно – от мутной ампулы и гнилого яблока до лопатки турбины неправильной формы.
Cоучредитель и генеральный директор Neurala Массимилиано Версаче начал свою карьеру в середине девяностых. Он разработал систему машинного зрения, которая применялась на дронах для инспекции оборудования в нефтегазовой отрасли.
Затем Массимилиано захотел создать более универсальную ИИ-платформу для контроля качества любых товаров и основал собственную компанию – Neurala.
Начав свой путь в 2006 году как технологический стартап из Бостона, к настоящему времени Neurala привлекла 16 миллионов долларов за четыре раунда финансирования. Сейчас в ней работают 50 человек, а среди заказчиков появились крупнейшие предприятия.
Neurala запатентовала глубокую нейронную сеть Lifelong-DNN, которая сделала машинное зрение очень близким к человеческому восприятию визуальных образов.
На её базе была разработана коммерчески доступная платформа Neurala Brain Builder AI – готовое решение для отдела контроля качества. В чём же её уникальность?
Любая нейронная сеть требует обучения, и с этим часто возникают проблемы. Например, производители затрудняются предоставить тысячи изображений дефектной продукции, поскольку брак встречается редко, его не всегда фотографируют, или он каждый раз оказывается разным.
Преимущество Lifelong-DNN в том, что её обучение происходит на фотографиях качественных продуктов. Их легко сделать, что позволяет составить большую аннотированную подборку за короткое время.
Ориентируясь только на базу эталонных изображений, Lifelong-DNN мгновенно находит любые отклонения и распознаёт даже те дефекты, которые раньше не встречались.
Нейросеть постоянно обучается и динамически корректирует степень контролируемых отклонений. Например, для фруктов допускается большой разброс по размеру, форме и цвету, а микровинты и технологические разъёмы должны быть строго идентичными.
Одним из клиентов Neurala стала IHI Corporation – японский производитель авиационных двигателей, турбокомпрессоров, автомобильных деталей, промышленного оборудования и тяжёлой техники.
«Мы обнаружили, что платформа Neurala Brain Builder превосходит другие стандартные системы проверки качества - как по точности обнаружения дефектов, так и по скорости анализа продукции», – сказал генеральный менеджер IoT-отдела IHI Corporation Юкихиро Кавано.
Возможность выявления аномалий в режиме реального времени просто бесценна. Такой подход не только предотвращает поставку бракованной продукции, но и позволяет операторам немедленно устранить дефект на производственной линии.
Источник: forbes.com
Компания Neurala использует уникальную нейронную сеть, чтобы автоматически находить любые дефекты продукции. Это может быть что угодно – от мутной ампулы и гнилого яблока до лопатки турбины неправильной формы.
Cоучредитель и генеральный директор Neurala Массимилиано Версаче начал свою карьеру в середине девяностых. Он разработал систему машинного зрения, которая применялась на дронах для инспекции оборудования в нефтегазовой отрасли.
Затем Массимилиано захотел создать более универсальную ИИ-платформу для контроля качества любых товаров и основал собственную компанию – Neurala.
Начав свой путь в 2006 году как технологический стартап из Бостона, к настоящему времени Neurala привлекла 16 миллионов долларов за четыре раунда финансирования. Сейчас в ней работают 50 человек, а среди заказчиков появились крупнейшие предприятия.
Neurala запатентовала глубокую нейронную сеть Lifelong-DNN, которая сделала машинное зрение очень близким к человеческому восприятию визуальных образов.
На её базе была разработана коммерчески доступная платформа Neurala Brain Builder AI – готовое решение для отдела контроля качества. В чём же её уникальность?
Любая нейронная сеть требует обучения, и с этим часто возникают проблемы. Например, производители затрудняются предоставить тысячи изображений дефектной продукции, поскольку брак встречается редко, его не всегда фотографируют, или он каждый раз оказывается разным.
Преимущество Lifelong-DNN в том, что её обучение происходит на фотографиях качественных продуктов. Их легко сделать, что позволяет составить большую аннотированную подборку за короткое время.
Ориентируясь только на базу эталонных изображений, Lifelong-DNN мгновенно находит любые отклонения и распознаёт даже те дефекты, которые раньше не встречались.
Нейросеть постоянно обучается и динамически корректирует степень контролируемых отклонений. Например, для фруктов допускается большой разброс по размеру, форме и цвету, а микровинты и технологические разъёмы должны быть строго идентичными.
Одним из клиентов Neurala стала IHI Corporation – японский производитель авиационных двигателей, турбокомпрессоров, автомобильных деталей, промышленного оборудования и тяжёлой техники.
«Мы обнаружили, что платформа Neurala Brain Builder превосходит другие стандартные системы проверки качества - как по точности обнаружения дефектов, так и по скорости анализа продукции», – сказал генеральный менеджер IoT-отдела IHI Corporation Юкихиро Кавано.
Возможность выявления аномалий в режиме реального времени просто бесценна. Такой подход не только предотвращает поставку бракованной продукции, но и позволяет операторам немедленно устранить дефект на производственной линии.
Источник: forbes.com
Forbes
This Startup Is Using AI To Transform Industrial Quality Inspections
Neurala's Brain Builder platform leverages artificial intelligence to make revolutionary leaps in machine vision industrial inspection technology.
TentacleGripper – щупальце для роботов
Исследователи из Гарвардской школы инженерных и прикладных наук (SEAS) при участии сотрудников Пекинского университета авиации и космонавтики разработали мягкое роботизированное щупальце с присосками.
С помощью него можно захватывать объекты различной массы и формы почти также ловко, как это делает живой осьминог. Разработчики успешно провели эксперименты с десятками предметов – от грецкого ореха до фитбола. На видео ниже показано, как щупальцем аккуратно хватают живого краба.
«В нашем исследовании впервые используется количественная оценка одновременно для расчётов изгиба и силы всасывания. Это позволяет использовать один маленький захват для широкого перечня практических задач», – пояснил к.т.н и ведущий автор научной работы Август Домель.
Бионический захват состоит из мягкой силиконовой основы, форма которой меняется пневматически. Если в него подается сжатый воздух, щупальце распрямляется, а если откачивается – сгибается внутрь и аккуратно обхватывает предмет.
На внутренней стороне щупальца расположены два ряда присосок. Маленькие присоски на конце захвата работают пассивно, а более крупные управляются насосом, обеспечивая дозированное усилие прижатия.
Совместно с компанией Festo, занимающейся технологиями автоматизации, исследователи создали коммерческий прототип захвата TentacleGripper, который можно присоединить к большинству моделей универсальных манипуляторов.
На его основе уже предложены универсальный промышленный робот BionicMotionRobot и робот-ассистент BionicCobot.
Видео: https://youtu.be/8IXncY4L_nc
Источник: www.liebertpub.com
Исследователи из Гарвардской школы инженерных и прикладных наук (SEAS) при участии сотрудников Пекинского университета авиации и космонавтики разработали мягкое роботизированное щупальце с присосками.
С помощью него можно захватывать объекты различной массы и формы почти также ловко, как это делает живой осьминог. Разработчики успешно провели эксперименты с десятками предметов – от грецкого ореха до фитбола. На видео ниже показано, как щупальцем аккуратно хватают живого краба.
«В нашем исследовании впервые используется количественная оценка одновременно для расчётов изгиба и силы всасывания. Это позволяет использовать один маленький захват для широкого перечня практических задач», – пояснил к.т.н и ведущий автор научной работы Август Домель.
Бионический захват состоит из мягкой силиконовой основы, форма которой меняется пневматически. Если в него подается сжатый воздух, щупальце распрямляется, а если откачивается – сгибается внутрь и аккуратно обхватывает предмет.
На внутренней стороне щупальца расположены два ряда присосок. Маленькие присоски на конце захвата работают пассивно, а более крупные управляются насосом, обеспечивая дозированное усилие прижатия.
Совместно с компанией Festo, занимающейся технологиями автоматизации, исследователи создали коммерческий прототип захвата TentacleGripper, который можно присоединить к большинству моделей универсальных манипуляторов.
На его основе уже предложены универсальный промышленный робот BionicMotionRobot и робот-ассистент BionicCobot.
Видео: https://youtu.be/8IXncY4L_nc
Источник: www.liebertpub.com
YouTube
Octopus-inspired soft robot
Researchers have developed an octopus-inspired robot can grip, move, and manipulate a wide range of objects
Videos courtesy of the Bertoldi Lab/Harvard SEAS
Videos courtesy of the Bertoldi Lab/Harvard SEAS
@itlecture - канал с бесплатными обучающими видео-лекциями по IT и технологиям, а так же записями крупных конференций на различные IT тематики как для новичков, так и для опытных айтишников.
Программирование, Искусственный Интеллект, DevOps, Clouds, Веб-Дизайн, Базы Данных и многое другое.
➡️ https://t.iss.one/itlecture
Программирование, Искусственный Интеллект, DevOps, Clouds, Веб-Дизайн, Базы Данных и многое другое.
➡️ https://t.iss.one/itlecture
Telegram
IT лекции
Обучающие уроки по программированию, ИИ, веб-дизайну и многое другое, полезное для всех айтишников и тех, кто хочет ими стать.
NNI v.1.4 – лёгкий старт с AutoML
Вышла новая версия NNI (Neural Network Intelligence) – открытой платформы для управления заданиями в системах с автоматическим машинным обучением (AutoML).
NNI помогает автоматизировать проектирование функций. Он отправляет и запускает пробные задания, используя алгоритмы самонастройки для поиска оптимальной архитектуры нейросети.
Также NNI подбирает гиперпараметры для разных сред (например, для отдельного компьютера или удалённого сервера) и выполняет сжатие моделей (обрезку или квантование).
Для лёгкого старта NNI предоставляет набор встроенных стандартных алгоритмов AutoML и поддержку популярных платформ обучения.
Он может выполнить эвристический поиск, исчерпывающий перебор, или байесовскую оптимизацию, а также применять алгоритмы обучения с подкреплением через PPO Tuner.
Пакет NNI доступен как утилита командной строки, или через веб-интерфейс, а с помощью расширяемого API вы можете настроить свои собственные алгоритмы AutoML и сервисы обучения.
В новой версии NNI поддерживает ИИ-фреймворки PyTorch, TensorFlow, Keras, MXNet, Caffe2 и другие. К нему легко добавить любые библиотеки, написанные на Python (требуется Python для 64-битных архитектур версии 3.5 или выше).
Кроссплатформенный инструмент NNI распространяется с открытым исходным кодом. Он протестирован в Ubuntu 16.04, macOS 10.14.1 и Windows 10 (1809).
Хотите проверить в своей модели разные алгоритмы AutoML, или запустить пробные задания в разных средах? Попробуйте NNI v.1.4!
Источник: GitHub
Вышла новая версия NNI (Neural Network Intelligence) – открытой платформы для управления заданиями в системах с автоматическим машинным обучением (AutoML).
NNI помогает автоматизировать проектирование функций. Он отправляет и запускает пробные задания, используя алгоритмы самонастройки для поиска оптимальной архитектуры нейросети.
Также NNI подбирает гиперпараметры для разных сред (например, для отдельного компьютера или удалённого сервера) и выполняет сжатие моделей (обрезку или квантование).
Для лёгкого старта NNI предоставляет набор встроенных стандартных алгоритмов AutoML и поддержку популярных платформ обучения.
Он может выполнить эвристический поиск, исчерпывающий перебор, или байесовскую оптимизацию, а также применять алгоритмы обучения с подкреплением через PPO Tuner.
Пакет NNI доступен как утилита командной строки, или через веб-интерфейс, а с помощью расширяемого API вы можете настроить свои собственные алгоритмы AutoML и сервисы обучения.
В новой версии NNI поддерживает ИИ-фреймворки PyTorch, TensorFlow, Keras, MXNet, Caffe2 и другие. К нему легко добавить любые библиотеки, написанные на Python (требуется Python для 64-битных архитектур версии 3.5 или выше).
Кроссплатформенный инструмент NNI распространяется с открытым исходным кодом. Он протестирован в Ubuntu 16.04, macOS 10.14.1 и Windows 10 (1809).
Хотите проверить в своей модели разные алгоритмы AutoML, или запустить пробные задания в разных средах? Попробуйте NNI v.1.4!
Источник: GitHub
GitHub
GitHub - microsoft/nni: An open source AutoML toolkit for automate machine learning lifecycle, including feature engineering, neural…
An open source AutoML toolkit for automate machine learning lifecycle, including feature engineering, neural architecture search, model compression and hyper-parameter tuning. - microsoft/nni
Наш постоянный автор Андрей Васильков теперь также ведёт @dx_media — новый канал о современных ИТ-решениях на базе ИИ.
В нём рассматривается опыт компаний по внедрению интеллектуальных систем в рабочие процессы, публикуются отраслевые новости, образовательные статьи и подборки тематических ресурсов.
На реальных примерах разбираются эффекты от внедрения роботов, дронов, RPA и другие новые тренды.
Подписывайтесь! https://bit.ly/dx_media
В нём рассматривается опыт компаний по внедрению интеллектуальных систем в рабочие процессы, публикуются отраслевые новости, образовательные статьи и подборки тематических ресурсов.
На реальных примерах разбираются эффекты от внедрения роботов, дронов, RPA и другие новые тренды.
Подписывайтесь! https://bit.ly/dx_media
Роботы Boston Dynamics обретают новые способности
Boston Dynamics, известная виральными видео испытаний своих криповатых роботов, заключила партнёрское соглашение с OTTO Motors.
Эта компания разрабатывает автономные складские системы и выпускает самодвижущиеся платформы для лёгкой транспортировки грузов.
В условиях склада хорошо показал себя тандем из таких платформ и робота Handle, взаимодействующий при помощи системы компьютерного зрения Pick.
Для этого камеру пришлось закрепить непосредственно на манипуляторе. Помимо выполнения задач навигации, она считывает двумерный код (модификация Data Matrix) на поддонах, чтобы определить тип груза.
По виду и манере движения робот Handle слегка похож на страуса, просто медленного. Он перемещается со скоростью до 4 км/ч и всё время балансирует на двух колёсах. Корпус главного вычислительного блока со всей электронной начинкой подвешен сзади на раме и служит противовесом.
Манипулятор выдвигается на расстояние до 3 метров. Он оснащён присоской и может удерживать груз массой до 15 кг.
Захваченные коробки Handle ловко ставит на подъезжающие роботизированные платформы и принимается за следующие. Всего за один час он способен погрузить до 360 ящиков и до 5400 кг.
«Мы доказали возможность слаженной работы в условиях разнородного парка роботов. Они обеспечивают гибкое решение для автоматизации складов», – сказал Кевин Бланкспур, вице-президент OTTO Motors.
Видео: Handle / OTTO Integration
Источник: techcrunch.com
Boston Dynamics, известная виральными видео испытаний своих криповатых роботов, заключила партнёрское соглашение с OTTO Motors.
Эта компания разрабатывает автономные складские системы и выпускает самодвижущиеся платформы для лёгкой транспортировки грузов.
В условиях склада хорошо показал себя тандем из таких платформ и робота Handle, взаимодействующий при помощи системы компьютерного зрения Pick.
Для этого камеру пришлось закрепить непосредственно на манипуляторе. Помимо выполнения задач навигации, она считывает двумерный код (модификация Data Matrix) на поддонах, чтобы определить тип груза.
По виду и манере движения робот Handle слегка похож на страуса, просто медленного. Он перемещается со скоростью до 4 км/ч и всё время балансирует на двух колёсах. Корпус главного вычислительного блока со всей электронной начинкой подвешен сзади на раме и служит противовесом.
Манипулятор выдвигается на расстояние до 3 метров. Он оснащён присоской и может удерживать груз массой до 15 кг.
Захваченные коробки Handle ловко ставит на подъезжающие роботизированные платформы и принимается за следующие. Всего за один час он способен погрузить до 360 ящиков и до 5400 кг.
«Мы доказали возможность слаженной работы в условиях разнородного парка роботов. Они обеспечивают гибкое решение для автоматизации складов», – сказал Кевин Бланкспур, вице-президент OTTO Motors.
Видео: Handle / OTTO Integration
Источник: techcrunch.com
YouTube
Handle / OTTO Integration
This marks the beginning of our collaboration with OTTO Motors to coordinate mobile robots in the warehouse. We’re continuing to expand Handle’s capabilities and optimize its interactions with other robots like the OTTO 1500 to provide a more flexible warehouse…
Forwarded from DX.Media
Wingcopter – беспилотные конвертопланы набирают обороты
Молодая немецкая компания Wingcopter, выпускающая уникальные дроны, в начале марта получила крупные инвестиции от сингапурского фонда Corecam Capital Partners и обрела мировую известность.
Начав свой путь в 2017 году как стартап из Дармштадта, Wingcopter раз за разом подтверждала эффективность своих беспилотников необычной конструкции. Гибрид планера и квадрокоптера оказался на редкость удачным и технически выверенным решением.
Конструкцию дронов Wingcopter сложно отнести к каким-то известным схемам винтокрылых аппаратов. Ближе всего она к конвертоплану (с некоторыми оговорками).
Плавный поворот винтов у неё также обеспечивает переход между режимами вертикального подъёма, зависания и управляемым горизонтальным полётом с использованием подъёмной силы крыла.
Режим планирования существенно экономит энергию, увеличивая скорость полёта и расстояние, преодолеваемое на одном заряде аккумулятора. Кроме того, практика показала большую живучесть беспилотников Wingcopter.
В случае отказа одного или даже нескольких моторов, такой дрон имеет больше шансов уцелеть при аварийной посадке.
В прошлом году Wingcopter выполнила первый в мире полет коммерческого дрона вне поля зрения оператора (BVLOS). Эксперимент проводился в сотрудничестве с Merck и Франкфуртским университетом прикладных наук. Беспилотник успешно преодолел расстояние в 25 километров.
Затем сразу несколько таких дронов использовали для доставки гуманитарной помощи в Малави (Южная Африка), где тысячи людей оказались отрезаны от внешнего мира. Wingcopter доставила в удалённые регионы свыше 90 кг лекарств, не потеряв ни одного беспилотника.
Wingcopter показала эффективность дронов там, где не справились джипы миссии ООН. Вскоре после этого компания выиграла конкурс Lake Kivu Challenge в Руанде и получила десятки заявок - как от международных организаций, так и от местных правительств.
«В отличие от многих других стартапов из сектора логистики, которые годами представляют только прототипы, Wingcopter смогла впечатляюще продемонстрировать реальные возможности своих беспилотников», – прокомментировал Филипп Вебер, партнер Venture Capital в FPS Law.
Источник: eu-startups.com
Видео: Wingcopter Vaccine Delivery in Vanuatu
Молодая немецкая компания Wingcopter, выпускающая уникальные дроны, в начале марта получила крупные инвестиции от сингапурского фонда Corecam Capital Partners и обрела мировую известность.
Начав свой путь в 2017 году как стартап из Дармштадта, Wingcopter раз за разом подтверждала эффективность своих беспилотников необычной конструкции. Гибрид планера и квадрокоптера оказался на редкость удачным и технически выверенным решением.
Конструкцию дронов Wingcopter сложно отнести к каким-то известным схемам винтокрылых аппаратов. Ближе всего она к конвертоплану (с некоторыми оговорками).
Плавный поворот винтов у неё также обеспечивает переход между режимами вертикального подъёма, зависания и управляемым горизонтальным полётом с использованием подъёмной силы крыла.
Режим планирования существенно экономит энергию, увеличивая скорость полёта и расстояние, преодолеваемое на одном заряде аккумулятора. Кроме того, практика показала большую живучесть беспилотников Wingcopter.
В случае отказа одного или даже нескольких моторов, такой дрон имеет больше шансов уцелеть при аварийной посадке.
В прошлом году Wingcopter выполнила первый в мире полет коммерческого дрона вне поля зрения оператора (BVLOS). Эксперимент проводился в сотрудничестве с Merck и Франкфуртским университетом прикладных наук. Беспилотник успешно преодолел расстояние в 25 километров.
Затем сразу несколько таких дронов использовали для доставки гуманитарной помощи в Малави (Южная Африка), где тысячи людей оказались отрезаны от внешнего мира. Wingcopter доставила в удалённые регионы свыше 90 кг лекарств, не потеряв ни одного беспилотника.
Wingcopter показала эффективность дронов там, где не справились джипы миссии ООН. Вскоре после этого компания выиграла конкурс Lake Kivu Challenge в Руанде и получила десятки заявок - как от международных организаций, так и от местных правительств.
«В отличие от многих других стартапов из сектора логистики, которые годами представляют только прототипы, Wingcopter смогла впечатляюще продемонстрировать реальные возможности своих беспилотников», – прокомментировал Филипп Вебер, партнер Venture Capital в FPS Law.
Источник: eu-startups.com
Видео: Wingcopter Vaccine Delivery in Vanuatu
EU-Startups
Drone startup Wingcopter secures a further seven-digit investment from Corecam
The Darmstadt-based drone startup Wingcopter has today announced securing a second seven-digit financing led by the Singapore-based Corecam Capital Partners. Only three months after its initial seven-digit funding, the multi-family office Corecam Capital…
Хочу представить вам классный канал Новое Электричество. Ребята создают искусственный интеллект и пишут о нем простым языком.
Рассказывают о разном: есть серия постов-ликбезов о базовых вещах, есть удивительные и смешные истории о необычных применениях ИИ, иногда можно немного погрузиться в научные детали, а ещё узнать о свежих трендах и новостях ИИ-стартапов.
Канал совсем новый, так что вас ждет еще много интереснейших постов! Подписывайтесь:
https://t.iss.one/new_electricity
Рассказывают о разном: есть серия постов-ликбезов о базовых вещах, есть удивительные и смешные истории о необычных применениях ИИ, иногда можно немного погрузиться в научные детали, а ещё узнать о свежих трендах и новостях ИИ-стартапов.
Канал совсем новый, так что вас ждет еще много интереснейших постов! Подписывайтесь:
https://t.iss.one/new_electricity
Telegram
Новое электричество
Мы создаём Искусственный Интеллект, и нам интересно всё, что с ним связано.
Связь: @new_electricity_bot
Связь: @new_electricity_bot
Сенсор со встроенной нейросетью
Сотрудники Лаборатория наноразмерной электроники и оптоэлектроники Венского технического университета опубликовали в Nature прорывное исследование, выполненное под руководством инженера Лукаса Меннеля.
В нём представлен концепт, способный вывести на новый уровень технологии автоматической обработки изображений при помощи алгоритмов машинного обучения. Это CMOS-матрица, которая анализирует кадры встроенной в неё нейросетью.
Такой подход существенно ускоряет распознавание лиц, номеров и других объектов, попавших в поле зрения камеры. «Умный» датчик в разы снижает задержки систем ИИ, вызванные трансляцией изображения к внешнему вычислительному блоку.
Особенно актуален "сенсор с нейронкой" для беспилотных автомобилей и дронов, поскольку от их времени реакции зависит безопасность движения.
Технически нейросеть на датчике изображений представляет собой реконфигурируемую двумерную полупроводниковую матрицу из фотодиодов. Её синаптические веса хранятся как уровни сигналов непрерывно перестраиваемой фотореактивной матрицы.
В работе группы Меннеля демонстрируется как контролируемое, так и неконтролируемое машинное обучение. В обоих вариантах датчик успешно оцифровывает и сам же распознаёт изображения, которые оптически проецируются на него.
Источник: nature.com
Сотрудники Лаборатория наноразмерной электроники и оптоэлектроники Венского технического университета опубликовали в Nature прорывное исследование, выполненное под руководством инженера Лукаса Меннеля.
В нём представлен концепт, способный вывести на новый уровень технологии автоматической обработки изображений при помощи алгоритмов машинного обучения. Это CMOS-матрица, которая анализирует кадры встроенной в неё нейросетью.
Такой подход существенно ускоряет распознавание лиц, номеров и других объектов, попавших в поле зрения камеры. «Умный» датчик в разы снижает задержки систем ИИ, вызванные трансляцией изображения к внешнему вычислительному блоку.
Особенно актуален "сенсор с нейронкой" для беспилотных автомобилей и дронов, поскольку от их времени реакции зависит безопасность движения.
Технически нейросеть на датчике изображений представляет собой реконфигурируемую двумерную полупроводниковую матрицу из фотодиодов. Её синаптические веса хранятся как уровни сигналов непрерывно перестраиваемой фотореактивной матрицы.
В работе группы Меннеля демонстрируется как контролируемое, так и неконтролируемое машинное обучение. В обоих вариантах датчик успешно оцифровывает и сам же распознаёт изображения, которые оптически проецируются на него.
Источник: nature.com
Nature
Ultrafast machine vision with 2D material neural network image sensors
A two-dimensional semiconductor photodiode array senses and processes optical images simultaneously without latency, and is trained to classify and encode images with high throughput, acting as an artificial neural network.
ROS MeetUp-2020
Москва, 18-19 апреля
Любой желающий сможет разместить своего робота и постер в отдельной демо-зоне (постер мы вам поможем распечатать, но робот без постера не принимается!). Лучшие постеры будут поощрены призами от компании NVIDIA. Поэтому срочно заполняйте заявку на участие, готовьте постер и расчехляйте ваших роботов!
Если у вас есть интересное сообщение для сообщества, вам есть, чем поделиться, что показать, о чём рассказать, то можно стать докладчиком! Лучших докладчиков мы наградим призами от компании Intel. Только не забудьте заполнить заявку на выступление с докладом.
Ссылки и подробности, а также видео с прошлых митапов по ссылке https://habr.com/ru/post/491372/
Москва, 18-19 апреля
Любой желающий сможет разместить своего робота и постер в отдельной демо-зоне (постер мы вам поможем распечатать, но робот без постера не принимается!). Лучшие постеры будут поощрены призами от компании NVIDIA. Поэтому срочно заполняйте заявку на участие, готовьте постер и расчехляйте ваших роботов!
Если у вас есть интересное сообщение для сообщества, вам есть, чем поделиться, что показать, о чём рассказать, то можно стать докладчиком! Лучших докладчиков мы наградим призами от компании Intel. Только не забудьте заполнить заявку на выступление с докладом.
Ссылки и подробности, а также видео с прошлых митапов по ссылке https://habr.com/ru/post/491372/
Хабр
Robot Operating System Meetup — 2020 пройдет в Москве 18-19 апреля 2020 года
Лаборатория робототехники Сбербанка и российское ROS — сообщество при поддержке Intel и NVIDIA приглашают на очередной, третий MeetUp по Robot Operating System — самой распространённой в мире...
Создан сверхчувствительный палец для роботов
Исследователи из Школы инженерных и прикладных наук Колумбийского университета (Нью-Йорк, США) создали «чувствительный палец» для манипулятора, способный с высокой точностью локализовать касание на поверхности с несколькими изгибами.
В то время как автономные тактильные датчики показывают прекрасные результаты в лабораторных испытаниях, на практике их не удаётся эффективно использовать из-за сложной формы роботизированной руки.
Приходится интегрировать сенсоры только на внутреннюю поверхность ладони, либо вовсе ограничиваться единичными датчиками в подушечках пальцев. Иначе появляются сложности с покрытием изогнутых поверхностей, размещением целого массива сенсоров и проводов.
Идея команды Columbia Engineering состояла в том, чтобы создать для робота простой и функциональный аналог пальца человека – способный регистрировать касание с любой стороны и определять область контакта максимально точно.
Сделать это классическими методами не представлялось возможным, но у Матея Чокарли (доцента кафедры машиностроения и информатики) в ходе беседы с профессором электротехники Йоаннисом Кимиссисом возникла совместная идея – перейти с тензометрических датчиков на оптические.
Они использовали для локализации места касания модель расчёта перекрывающихся оптических сигналов. Их излучал массив миниатюрных светодиодов с малым углом рассеивания и улавливала группа фоторезисторов.
Групповой сигнал от последних всегда различался в зависимости от того, где касающийся «пальца» объект вызывал поглощение и отражение света. Записав эти изменения, исследователи получили богатый набор данных.
Затем они продемонстрировали, что методы глубокого обучения, основанные исключительно на данных, способны определять точное местоположение контакта и приложенную силу без необходимости в аналитических моделях. Вся оптика была встроена в прозрачный волноводный слой.
Конечный результат – полностью интегрированный палец для роботов, обладающий всенаправленной чувствительностью. Это универсальная конструкция, созданная с использованием доступных методов производства и предназначенная для легкой интеграции в существующие манипуляторы.
Палец одновременно регистрирует около 1000 сигналов, но большую часть их обработки выполняет самостоятельно. Ему не требуется сложной вспомогательной электроники – достаточно подключить его к роборуке 14-жильным кабелем.
Источник: www.therobotreport.com
Исследователи из Школы инженерных и прикладных наук Колумбийского университета (Нью-Йорк, США) создали «чувствительный палец» для манипулятора, способный с высокой точностью локализовать касание на поверхности с несколькими изгибами.
В то время как автономные тактильные датчики показывают прекрасные результаты в лабораторных испытаниях, на практике их не удаётся эффективно использовать из-за сложной формы роботизированной руки.
Приходится интегрировать сенсоры только на внутреннюю поверхность ладони, либо вовсе ограничиваться единичными датчиками в подушечках пальцев. Иначе появляются сложности с покрытием изогнутых поверхностей, размещением целого массива сенсоров и проводов.
Идея команды Columbia Engineering состояла в том, чтобы создать для робота простой и функциональный аналог пальца человека – способный регистрировать касание с любой стороны и определять область контакта максимально точно.
Сделать это классическими методами не представлялось возможным, но у Матея Чокарли (доцента кафедры машиностроения и информатики) в ходе беседы с профессором электротехники Йоаннисом Кимиссисом возникла совместная идея – перейти с тензометрических датчиков на оптические.
Они использовали для локализации места касания модель расчёта перекрывающихся оптических сигналов. Их излучал массив миниатюрных светодиодов с малым углом рассеивания и улавливала группа фоторезисторов.
Групповой сигнал от последних всегда различался в зависимости от того, где касающийся «пальца» объект вызывал поглощение и отражение света. Записав эти изменения, исследователи получили богатый набор данных.
Затем они продемонстрировали, что методы глубокого обучения, основанные исключительно на данных, способны определять точное местоположение контакта и приложенную силу без необходимости в аналитических моделях. Вся оптика была встроена в прозрачный волноводный слой.
Конечный результат – полностью интегрированный палец для роботов, обладающий всенаправленной чувствительностью. Это универсальная конструкция, созданная с использованием доступных методов производства и предназначенная для легкой интеграции в существующие манипуляторы.
Палец одновременно регистрирует около 1000 сигналов, но большую часть их обработки выполняет самостоятельно. Ему не требуется сложной вспомогательной электроники – достаточно подключить его к роборуке 14-жильным кабелем.
Источник: www.therobotreport.com
The Robot Report
Robot finger at Columbia Engineering is the first without tactile blind spots
Scientists at Columbia Engineering have used light and deep learning to manufacture a curved robot finger with a fine sense of touch.
Forwarded from DX.Media
Коллаборативные роботы на MODEX 2020
С 9 по 12 марта в Атланте (США) пройдёт крупнейшая в Северной Америке отраслевая выставка Modex 2020. На ней компания Universal Robots представит своё видение коботов – коллаборативных роботов, физически взаимодействующих с людьми для решения различных задач.
Главное отличие коботов – наличие искусственного интеллекта. Вам не требуется программировать их как станок с ЧПУ - достаточно составить диаграмму процесса из готовых блоков, задать базовые параметры или просто показать желаемое действие.
Оказавшись в новом окружении, коботы учатся и выполняют рутинные манипуляции всё точнее, пока не освоят новую специальность. Они стоят значительно дешевле узкоспециализированных роботов и крайне просты в освоении, что делает их доступными для небольших компаний.
Коллаборативные роботы отличаются от обычных акцентом на безопасность. Современные модели сканируют окружающее пространство и останавливаются, если человек подошёл на опасно близкое расстояние. Также они реагируют на внештатные ситуации, предотвращая повреждение оборудования.
В целом использование коботов – крайне популярный тренд, охватывающий научные эксперименты, сферу логистики и даже гостиничный сектор. Универсальные манипуляторы одинаково ловко подают инструмент и кофе, держат детали разной формы и сортируют товары.
«Многочисленные факторы способствуют применению коботов в индустрии цепочек поставок. Это быстро развивающаяся отрасль, в которой необходимы автоматизированные процессы, поддерживающие широкий ассортимент продукции», – пояснил Джо Кэмпбелл, старший менеджер по разработке приложений в Universal Robots.
Согласно исследованию Interact Analysis, сейчас больше всего востребованы коботы массой от 5 до 9 кг. Они популярны в основном как ассистенты при сборке, ремонте и складских операциях, но перечень их функций постоянно расширяется.
Аналитики прогнозируют, что малые и средние коботы будут лидерами продаж вплоть до 2023 года. Ожидается, что общая доля коботов будет расти ежегодно на 20 – 30%, а к 2027 году составит до трети всего рынка робототехники.
Видео: Cross Company использует кобота UR10e как мобильный паллетайзер.
С 9 по 12 марта в Атланте (США) пройдёт крупнейшая в Северной Америке отраслевая выставка Modex 2020. На ней компания Universal Robots представит своё видение коботов – коллаборативных роботов, физически взаимодействующих с людьми для решения различных задач.
Главное отличие коботов – наличие искусственного интеллекта. Вам не требуется программировать их как станок с ЧПУ - достаточно составить диаграмму процесса из готовых блоков, задать базовые параметры или просто показать желаемое действие.
Оказавшись в новом окружении, коботы учатся и выполняют рутинные манипуляции всё точнее, пока не освоят новую специальность. Они стоят значительно дешевле узкоспециализированных роботов и крайне просты в освоении, что делает их доступными для небольших компаний.
Коллаборативные роботы отличаются от обычных акцентом на безопасность. Современные модели сканируют окружающее пространство и останавливаются, если человек подошёл на опасно близкое расстояние. Также они реагируют на внештатные ситуации, предотвращая повреждение оборудования.
В целом использование коботов – крайне популярный тренд, охватывающий научные эксперименты, сферу логистики и даже гостиничный сектор. Универсальные манипуляторы одинаково ловко подают инструмент и кофе, держат детали разной формы и сортируют товары.
«Многочисленные факторы способствуют применению коботов в индустрии цепочек поставок. Это быстро развивающаяся отрасль, в которой необходимы автоматизированные процессы, поддерживающие широкий ассортимент продукции», – пояснил Джо Кэмпбелл, старший менеджер по разработке приложений в Universal Robots.
Согласно исследованию Interact Analysis, сейчас больше всего востребованы коботы массой от 5 до 9 кг. Они популярны в основном как ассистенты при сборке, ремонте и складских операциях, но перечень их функций постоянно расширяется.
Аналитики прогнозируют, что малые и средние коботы будут лидерами продаж вплоть до 2023 года. Ожидается, что общая доля коботов будет расти ежегодно на 20 – 30%, а к 2027 году составит до трети всего рынка робототехники.
Видео: Cross Company использует кобота UR10e как мобильный паллетайзер.
YouTube
Cross Robotic Palletizer
The Cross palletizing and depalletizing robotic based solution offers a flexible solution to eliminate repetitive, manual stacking and unstacking tasks. Learn more at Crossco.com.
Как ИИ находит нефть и показывает скрытое под землёй
Мировые запасы нефти и других полезных ископаемых постоянно уточняются. Как и сто лет назад, это делают методами сейсморазведки, но сегодня они вышли на новый уровень благодаря искусственному интеллекту.
Сейсморазведка позволяет создавать карты глубинной структуры земной коры и верхнего слоя мантии, не извлекая образцы на поверхность.
Для этого с помощью серии взрывов или вибрационных источников создаются искусственные землетрясения, а датчики фиксируют время прохождения сейсмических волн на разных участках.
Их скорости, характер отражения и рассеивания напрямую связаны с локальным составом земных недр, что позволяет создавать 2D и 3D-карты подземных структур – сейсмограммы.
Существует узкий диапазон наиболее информативных сигналов – это низкие частоты в районе 0,5 – 5 Гц. Такие волны проходят большие расстояния и дают наиболее чёткую картину, но имеющиеся методы анализа часто не позволяют уверенно различать их на фоне естественных шумов.
Исследователи из Массачусетского технологического института предложили восполнить недостающие данные при помощи методов машинного обучения. Они создали нейронную сеть, моделирующую распространение низкочастотного сигнала без какой-либо информации о нём.
Пройдя обучение на выборке из сотен землетрясений, нейросеть научилась выявлять неявные корреляции между характеристиками распространения сигналов разной частоты. Теперь ей достаточно получить профиль высокочастотных волн, чтобы сгенерировать его для низкочастотных.
Нейросеть экстраполирует любые пропущенные частоты и генерирует чёткую 3D-сейсмограмму даже в условиях дефицита данных.
Конечно, метод имеет свои ограничения. Нейросеть даёт точные результаты лишь в том случае, если новый профиль для анализа был похож на предыдущие, использованные в обучении.
Поэтому разработчики планируют добавлять в неё новые данные, наладив сотрудничество с частными компаниями.
Источник: MIT
Мировые запасы нефти и других полезных ископаемых постоянно уточняются. Как и сто лет назад, это делают методами сейсморазведки, но сегодня они вышли на новый уровень благодаря искусственному интеллекту.
Сейсморазведка позволяет создавать карты глубинной структуры земной коры и верхнего слоя мантии, не извлекая образцы на поверхность.
Для этого с помощью серии взрывов или вибрационных источников создаются искусственные землетрясения, а датчики фиксируют время прохождения сейсмических волн на разных участках.
Их скорости, характер отражения и рассеивания напрямую связаны с локальным составом земных недр, что позволяет создавать 2D и 3D-карты подземных структур – сейсмограммы.
Существует узкий диапазон наиболее информативных сигналов – это низкие частоты в районе 0,5 – 5 Гц. Такие волны проходят большие расстояния и дают наиболее чёткую картину, но имеющиеся методы анализа часто не позволяют уверенно различать их на фоне естественных шумов.
Исследователи из Массачусетского технологического института предложили восполнить недостающие данные при помощи методов машинного обучения. Они создали нейронную сеть, моделирующую распространение низкочастотного сигнала без какой-либо информации о нём.
Пройдя обучение на выборке из сотен землетрясений, нейросеть научилась выявлять неявные корреляции между характеристиками распространения сигналов разной частоты. Теперь ей достаточно получить профиль высокочастотных волн, чтобы сгенерировать его для низкочастотных.
Нейросеть экстраполирует любые пропущенные частоты и генерирует чёткую 3D-сейсмограмму даже в условиях дефицита данных.
Конечно, метод имеет свои ограничения. Нейросеть даёт точные результаты лишь в том случае, если новый профиль для анализа был похож на предыдущие, использованные в обучении.
Поэтому разработчики планируют добавлять в неё новые данные, наладив сотрудничество с частными компаниями.
Источник: MIT
MIT News
Machine learning picks out hidden vibrations from earthquake data
An MIT machine-learning technique picks out hidden vibrations from earthquake data, which may help scientists more accurately map vast underground geologic structures.
Курс – «Летательные аппараты: инженер полётной автоматики»
Представляем курс по разработке управляющих систем автономных летательных аппаратов от частной образовательной организации Udacity.
В нём вы познакомитесь с готовой испытательной платформой, моделирующей динамику полёта квадрокоптеров. Она позволяет протестировать как отдельные алгоритмы управления и стабилизации дрона, так и полный цикл его разработки, начиная с этапа планирования.
По ходу курса вы научитесь выполнять оптимизацию планарных схем полёта с использованием маршрутных точек, а затем освоите решение более сложных задач для автоматического управления беспилотником в 3D.
Начав с простой симуляции полёта вокруг дома на фиксированной высоте, постепенно вы освоите трёхмерное управление дроном в сложной городской среде с плотной застройкой и множеством ограничений.
Используйте готовые решения, или создайте свой нелинейный каскадный контроллер для беспилотника! Напишите расширенный фильтр Калмана (EKF) для оценки положения дрона по данным инерциального измерительного модуля (IMU) там, где теряется сигнал GPS!
Бонус: изучите динамику полета аппаратов с крылом фиксированной геометрии, а затем примените новые знания, чтобы запрограммировать дрон самолётного типа!
Расчётная продолжительность курса: 4 месяца при 15 часах занятий в неделю.
Стоимость обучения составляет $199 в месяц по тарифу "Pay as you go" или $179 в месяц при оплате курса целиком ($716).
Видео: Flying Car Nanodegree Program
Страница курса: Flying Car and Autonomous Flight Engineer
Представляем курс по разработке управляющих систем автономных летательных аппаратов от частной образовательной организации Udacity.
В нём вы познакомитесь с готовой испытательной платформой, моделирующей динамику полёта квадрокоптеров. Она позволяет протестировать как отдельные алгоритмы управления и стабилизации дрона, так и полный цикл его разработки, начиная с этапа планирования.
По ходу курса вы научитесь выполнять оптимизацию планарных схем полёта с использованием маршрутных точек, а затем освоите решение более сложных задач для автоматического управления беспилотником в 3D.
Начав с простой симуляции полёта вокруг дома на фиксированной высоте, постепенно вы освоите трёхмерное управление дроном в сложной городской среде с плотной застройкой и множеством ограничений.
Используйте готовые решения, или создайте свой нелинейный каскадный контроллер для беспилотника! Напишите расширенный фильтр Калмана (EKF) для оценки положения дрона по данным инерциального измерительного модуля (IMU) там, где теряется сигнал GPS!
Бонус: изучите динамику полета аппаратов с крылом фиксированной геометрии, а затем примените новые знания, чтобы запрограммировать дрон самолётного типа!
Расчётная продолжительность курса: 4 месяца при 15 часах занятий в неделю.
Стоимость обучения составляет $199 в месяц по тарифу "Pay as you go" или $179 в месяц при оплате курса целиком ($716).
Видео: Flying Car Nanodegree Program
Страница курса: Flying Car and Autonomous Flight Engineer
Vimeo
Flying Car Nanodegree Program (FCND) - Trailer 90 seconds
Learn the latest in flying car technology and drones from the best in the field. Develop the software skills and conceptual understanding necessary to build an autonomous…
Встречайте Ascento 2!
Компактный прыгающий робот Ascento получил дальнейшее развитие. Он обзавёлся новыми алгоритмами стабилизации, подняв ловкость на фантастический уровень.
Внешне Ascento 2 очень похож на своего предшественника. Он также катается на двух колёсах, которые закреплены на подпружиненных штангах (ногах). Однако с новыми «мозгами» и мелкими доработками робот научился выполнять впечатляющие трюки.
Этот малыш массой 10,4 кг подпрыгивает на 40 сантиметров и не теряет равновесие, даже когда его хватают за ногу на полном ходу.
Робот может лежать на спине и на боку, сидеть, делать «планку» и самостоятельно подниматься из любого положения (эта фишка называется full fall recovery control).
Проще говоря, вряд ли у вас получится опрокинуть Ascento 2. Если это и удастся, он сам поднимется и поедет дальше, как ни в чём не бывало.
За прыжки отвечают суставные актуаторы ANYbotics ANYdrive, а быстро ездить помогают мотор-колеса Maxon EC90 с высоким крутящим моментом. С ними он развивает скорость до 8 км/ч и быстро разворачивается даже на месте.
При создании Ascento разработчики применили нестандартную сборку мотор-колеса, обеспечив почти нулевой люфт и плавность движения даже в условиях сильных внешних воздействий.
Ascento может непрерывно двигаться в течение полутора часов, благодаря набору литий-полимерных батарей. АКБ ёмкостью 5000 мА*ч питают моторы, а поменьше (2200 мА*ч) – электронику.
Последняя представлена мини-компьютером Intel NUC KIT NUC7i7BNH на базе Core i7-7567U и микроконтроллера ATmega328 на плате Arduino Uno.
Используя ToF-датчики Terabee TeraRanger Multiflex, робот постоянно создаёт 3D-карту своего окружения. Алгоритмы динамического планирования пути сопоставляют её с данными о собственных координатах, которые передаёт инерциальный измерительный модуль Analog Devices ADIS16460.
Это позволяет роботу объезжать препятствия и самостоятельно корректировать маршрут. Управляется он 3D-мышкой (3Dconnexion SpaceMouse) и жестами при помощи контроллера Leap Motion.
Ascento 2 был разработан в Швейцарской высшей технической школе Цюриха при поддержке Swiss Robotics и Autonomous Systems Lab. Он будет представлен в ходе международной выставки ICRA 2020, которая пройдёт с 31 мая по 4 июня в Париже (если её не отменят из-за COVID-2019).
Видео: Ascento 2
Источник: ETH Zurich
Компактный прыгающий робот Ascento получил дальнейшее развитие. Он обзавёлся новыми алгоритмами стабилизации, подняв ловкость на фантастический уровень.
Внешне Ascento 2 очень похож на своего предшественника. Он также катается на двух колёсах, которые закреплены на подпружиненных штангах (ногах). Однако с новыми «мозгами» и мелкими доработками робот научился выполнять впечатляющие трюки.
Этот малыш массой 10,4 кг подпрыгивает на 40 сантиметров и не теряет равновесие, даже когда его хватают за ногу на полном ходу.
Робот может лежать на спине и на боку, сидеть, делать «планку» и самостоятельно подниматься из любого положения (эта фишка называется full fall recovery control).
Проще говоря, вряд ли у вас получится опрокинуть Ascento 2. Если это и удастся, он сам поднимется и поедет дальше, как ни в чём не бывало.
За прыжки отвечают суставные актуаторы ANYbotics ANYdrive, а быстро ездить помогают мотор-колеса Maxon EC90 с высоким крутящим моментом. С ними он развивает скорость до 8 км/ч и быстро разворачивается даже на месте.
При создании Ascento разработчики применили нестандартную сборку мотор-колеса, обеспечив почти нулевой люфт и плавность движения даже в условиях сильных внешних воздействий.
Ascento может непрерывно двигаться в течение полутора часов, благодаря набору литий-полимерных батарей. АКБ ёмкостью 5000 мА*ч питают моторы, а поменьше (2200 мА*ч) – электронику.
Последняя представлена мини-компьютером Intel NUC KIT NUC7i7BNH на базе Core i7-7567U и микроконтроллера ATmega328 на плате Arduino Uno.
Используя ToF-датчики Terabee TeraRanger Multiflex, робот постоянно создаёт 3D-карту своего окружения. Алгоритмы динамического планирования пути сопоставляют её с данными о собственных координатах, которые передаёт инерциальный измерительный модуль Analog Devices ADIS16460.
Это позволяет роботу объезжать препятствия и самостоятельно корректировать маршрут. Управляется он 3D-мышкой (3Dconnexion SpaceMouse) и жестами при помощи контроллера Leap Motion.
Ascento 2 был разработан в Швейцарской высшей технической школе Цюриха при поддержке Swiss Robotics и Autonomous Systems Lab. Он будет представлен в ходе международной выставки ICRA 2020, которая пройдёт с 31 мая по 4 июня в Париже (если её не отменят из-за COVID-2019).
Видео: Ascento 2
Источник: ETH Zurich
YouTube
This is Ascento 2
Stay tuned for more!
Find out more about Project Ascento on our website: https://www.ascento.ch
A short project trailer showing what our robot is capable of! (February 2020)
Features include:
- adaptive legs
- off-road capability
- robust stabilisation…
Find out more about Project Ascento on our website: https://www.ascento.ch
A short project trailer showing what our robot is capable of! (February 2020)
Features include:
- adaptive legs
- off-road capability
- robust stabilisation…
Три бесплатных курса для быстрого старта
1. Основы мехатроники и робототехники
Курс от Томского государственного университета для всех, интересующихся робототехникой. В нём излагаются основы конструирования и применения роботов. Вы узнаете, какие бывают роботы и манипуляторы, как научить их чувствовать и работать вместе.
На занятиях описывается структура и кинематика роботизированных систем (приводы, управление и программирование), рассматривается организация роботизированного производства и применение систем автоматизированного проектирования.
Продолжительность курса: 10 недель по 7 – 8 часов
Требования: достаточно знаний по математике, физике и информатике в объёме школьной программы.
2. Введение в машинное обучение
Курс от Высшей школы экономики и Школы анализа данных Яндекса. В нём вы научитесь решать с помощью машинного обучения задачи классификации, регрессии и кластеризации, оценивать качество моделей и применять современные библиотеки (numpy, pandas и scikit-learn).
Продолжительность курса: 7 недель
Требования: знать математику в объёме школьной программы: функции, производные, векторы, матрицы. Желательно уметь программировать на Python.
3. Программирование глубоких нейронных сетей на Python
Курс от Уральского федерального университета, имеющий практическую направленность. Пройдя его, вы сможете написать нейронную сеть и обучить её решать задачи анализа данных. Основной акцент делается на применение нейросетей для машинного зрения и оптического распознавания текстов. Во время занятий код пишется на Python с использованием готовых библиотек TensorFlow и Keras.
Продолжительность курса: 16 недель, по 9 часов в неделю.
Требования: умение программировать на Python (или хотя бы на другом языке высокого уровня). Также нужны базовые знания высшей математики: производные, операции с матрицами и векторами.
1. Основы мехатроники и робототехники
Курс от Томского государственного университета для всех, интересующихся робототехникой. В нём излагаются основы конструирования и применения роботов. Вы узнаете, какие бывают роботы и манипуляторы, как научить их чувствовать и работать вместе.
На занятиях описывается структура и кинематика роботизированных систем (приводы, управление и программирование), рассматривается организация роботизированного производства и применение систем автоматизированного проектирования.
Продолжительность курса: 10 недель по 7 – 8 часов
Требования: достаточно знаний по математике, физике и информатике в объёме школьной программы.
2. Введение в машинное обучение
Курс от Высшей школы экономики и Школы анализа данных Яндекса. В нём вы научитесь решать с помощью машинного обучения задачи классификации, регрессии и кластеризации, оценивать качество моделей и применять современные библиотеки (numpy, pandas и scikit-learn).
Продолжительность курса: 7 недель
Требования: знать математику в объёме школьной программы: функции, производные, векторы, матрицы. Желательно уметь программировать на Python.
3. Программирование глубоких нейронных сетей на Python
Курс от Уральского федерального университета, имеющий практическую направленность. Пройдя его, вы сможете написать нейронную сеть и обучить её решать задачи анализа данных. Основной акцент делается на применение нейросетей для машинного зрения и оптического распознавания текстов. Во время занятий код пишется на Python с использованием готовых библиотек TensorFlow и Keras.
Продолжительность курса: 16 недель, по 9 часов в неделю.
Требования: умение программировать на Python (или хотя бы на другом языке высокого уровня). Также нужны базовые знания высшей математики: производные, операции с матрицами и векторами.