محققان QUT روشی جدید را برای دیدن جهان از منظر انسانی تر ایجاد کرده اند که این توانایی را دارد که چگونه فن آوری ، مانند اتومبیل های بدون راننده و روبات های صنعتی و سیار را بهبود ببخشد و با مردم کار کند.
در مقدمه ای که تصور می شود جهان اول است ، دکتری دانشجو سورو گرگ ، دکتر نیکو Suenderhauf و پروفسور مایکل میلفورد از دانشکده علوم و مهندسی QUT و مرکز روباتیک ویژوال استرالیا ، از معانی بصری استفاده کرده اند تا بتوانند جایگاه عالی را از دیدگاههای مخالف به رسمیت بشناسند.
آقای گرگ گفت ، در حالی که انسان ها توانایی ورود چشمگیر به هنگام ورود مجدد به آن از جهت مخالف را داشتند ، از جمله در شرایطی که تغییرات ظاهری شدید در ظاهر آن وجود دارد ، این کار چالش هایی را برای روبات ها و وسایل نقلیه خودمختار به وجود آورده بود.
وی ادامه داد: "به عنوان مثال ، اگر شخصی در حال رانندگی در یک جاده باشد و آنها یک چرخش u را انجام دهند و به سمت عقب در همان جاده حرکت کنند ، در جهت مخالف ، آنها بر اساس آن تجربه قبلی می توانند بدانند که در کجا هستند ، زیرا آنها آقای گارگ گفت ، مردم همچنین می توانند در صورت مسافرت در همان شب در شب و سپس دوباره در طول روز یا در فصول مختلف سال ، این کار را انجام دهند.
وی ادامه داد: متأسفانه ، این برای روبات ها چندان ساده نیست. راه حل های مهندسی کنونی ، مانند مواردی که توسط اتومبیل های بدون راننده استفاده می شود ، عمدتاً به دوربین های پانوراما یا حسگر 360 درجه تشخیص نور و در حال حرکت (LIDAR) متکی هستند. انسان به طور طبیعی حرکت می کند.
اعتبار: neyro2008 / الکساندر زلنیسکی / 123rf.com / مؤلفان
پروفسور مایکل میلفورد گفت: سیستم پیشنهادی از محققان QUT ، از یک شبکه تقسیم بندی معنایی پیشرفته به نام RefineNet که در شهر Datascapes آموزش داده شده است ، استفاده می کند تا یک توصیف کننده تصاویر محلی Tensor (LoST) را تشکیل دهد. سپس این کار برای انجام به رسمیت شناختن مکان به همراه تکنیک های دید اضافی رباتیک مبتنی بر بررسی های تأیید طرح بندی مکانی و تطابق با کلیدواژه وزنی انجام شد.
پروفسور میلفورد گفت: "ما می خواهیم فرایندی را كه انسانها استفاده می كنند ، همانند سازی كنیم. معنای بصری نه تنها سنجش كار می كند ، بلكه می فهمد كه اشیاء كلیدی در محیط كجا قرار دارند و این امر باعث می شود پیش بینی بیشتری در اقدامات بعدی انجام شود."
"رویکرد ما به ما امکان می دهد مکانهایی را از نقطه نظرهای مخالف با همپوشانی بصری کمی مشترک و در همه چرخه های شبانه روز مطابقت دهیم. اکنون ما این کار را گسترش می دهیم تا هم از نظر مخالف و هم تغییر دیدگاه جانبی عمل کنیم ، که به عنوان مثال در هنگام تغییر وسایل نقلیه اتفاق می افتد. این باعث می شود درجه سختی دیگری اضافه شود. "
محققان QUT روشی جدید را برای دیدن جهان از منظر انسانی تر ایجاد کرده اند که این توانایی را دارد که چگونه فن آوری ، مانند اتومبیل های بدون راننده و روبات های صنعتی و سیار را بهبود ببخشد و با مردم کار کند.
در مقدمه ای که تصور می شود جهان اول است ، دکتری دانشجو سورو گرگ ، دکتر نیکو Suenderhauf و پروفسور مایکل میلفورد از دانشکده علوم و مهندسی QUT و مرکز روباتیک ویژوال استرالیا ، از معانی بصری استفاده کرده اند تا بتوانند جایگاه عالی را از دیدگاههای مخالف به رسمیت بشناسند.
آقای گرگ گفت ، در حالی که انسان ها توانایی ورود چشمگیر به هنگام ورود مجدد به آن از جهت مخالف را داشتند ، از جمله در شرایطی که تغییرات ظاهری شدید در ظاهر آن وجود دارد ، این کار چالش هایی را برای روبات ها و وسایل نقلیه خودمختار به وجود آورده بود.
وی ادامه داد: "به عنوان مثال ، اگر شخصی در حال رانندگی در یک جاده باشد و آنها یک چرخش u را انجام دهند و به سمت عقب در همان جاده حرکت کنند ، در جهت مخالف ، آنها بر اساس آن تجربه قبلی می توانند بدانند که در کجا هستند ، زیرا آنها آقای گارگ گفت ، مردم همچنین می توانند در صورت مسافرت در همان شب در شب و سپس دوباره در طول روز یا در فصول مختلف سال ، این کار را انجام دهند.
وی ادامه داد: متأسفانه ، این برای روبات ها چندان ساده نیست. راه حل های مهندسی کنونی ، مانند مواردی که توسط اتومبیل های بدون راننده استفاده می شود ، عمدتاً به دوربین های پانوراما یا حسگر 360 درجه تشخیص نور و در حال حرکت (LIDAR) متکی هستند. انسان به طور طبیعی حرکت می کند.
اعتبار: neyro2008 / الکساندر زلنیسکی / 123rf.com / مؤلفان
پروفسور مایکل میلفورد گفت: سیستم پیشنهادی از محققان QUT ، از یک شبکه تقسیم بندی معنایی پیشرفته به نام RefineNet که در شهر Datascapes آموزش داده شده است ، استفاده می کند تا یک توصیف کننده تصاویر محلی Tensor (LoST) را تشکیل دهد. سپس این کار برای انجام به رسمیت شناختن مکان به همراه تکنیک های دید اضافی رباتیک مبتنی بر بررسی های تأیید طرح بندی مکانی و تطابق با کلیدواژه وزنی انجام شد.
پروفسور میلفورد گفت: "ما می خواهیم فرایندی را كه انسانها استفاده می كنند ، همانند سازی كنیم. معنای بصری نه تنها سنجش كار می كند ، بلكه می فهمد كه اشیاء كلیدی در محیط كجا قرار دارند و این امر باعث می شود پیش بینی بیشتری در اقدامات بعدی انجام شود."
"رویکرد ما به ما امکان می دهد مکانهایی را از نقطه نظرهای مخالف با همپوشانی بصری کمی مشترک و در همه چرخه های شبانه روز مطابقت دهیم. اکنون ما این کار را گسترش می دهیم تا هم از نظر مخالف و هم تغییر دیدگاه جانبی عمل کنیم ، که به عنوان مثال در هنگام تغییر وسایل نقلیه اتفاق می افتد. این باعث می شود درجه سختی دیگری اضافه شود. "
پمپ وکیوم خلاء حلقه مایع برای فشار خلاء