ಬೇಕಾಬಿಟ್ಟಿಯಾಗಿ ಸ್ಕ್ಯಾವೆಂಜರ್ ಸಾಮಾನ್ಯವಾಗಿ ಪೆಟ್ಟಿಗೆಯನ್ನು ಎತ್ತಿಕೊಂಡು ಅಲುಗಾಡುವ ಮೂಲಕ ಅದರ ಒಳಭಾಗವನ್ನು ನೋಡುವ ಅಗತ್ಯವಿಲ್ಲದೆ ಅದರ ವಿಷಯಗಳನ್ನು ಊಹಿಸಬಹುದು. ಎಂಐಟಿ, ಅಮೆಜಾನ್ ರೋಬೋಟಿಕ್ಸ್ ಮತ್ತು ಬ್ರಿಟಿಷ್ ಕೊಲಂಬಿಯಾ ವಿಶ್ವವಿದ್ಯಾಲಯದ ಸಂಶೋಧಕರು ರೋಬೋಟ್ಗಳಿಗೆ ಇದೇ ರೀತಿಯದ್ದನ್ನು ಮಾಡಲು ಕಲಿಸಿದ್ದಾರೆ.
ವಸ್ತುವನ್ನು ಎತ್ತಿಕೊಂಡು ನಿಧಾನವಾಗಿ ಅಲುಗಾಡಿಸುವ ಮೂಲಕ ಅದರ ತೂಕ, ಮೃದುತ್ವ ಅಥವಾ ವಿಷಯಗಳ ಬಗ್ಗೆ ತಿಳಿದುಕೊಳ್ಳಲು ಆಂತರಿಕ ಸಂವೇದಕಗಳನ್ನು ಮಾತ್ರ ಬಳಸಲು ರೋಬೋಟ್ಗಳಿಗೆ ಅನುಮತಿಸುವ ತಂತ್ರವನ್ನು ಅವರು ಅಭಿವೃದ್ಧಿಪಡಿಸಿದರು. ಬಾಹ್ಯ ಅಳತೆ ಉಪಕರಣಗಳು ಅಥವಾ ಕ್ಯಾಮೆರಾಗಳ ಅಗತ್ಯವಿಲ್ಲದ ಅವರ ವಿಧಾನದೊಂದಿಗೆ, ರೋಬೋಟ್ ಸೆಕೆಂಡುಗಳಲ್ಲಿ ವಸ್ತುವಿನ ದ್ರವ್ಯರಾಶಿಯಂತಹ ನಿಯತಾಂಕಗಳನ್ನು ನಿಖರವಾಗಿ ಊಹಿಸಬಹುದು.
ಈ ಕಡಿಮೆ-ವೆಚ್ಚದ ತಂತ್ರವು ಕ್ಯಾಮರಾಗಳು ಕಡಿಮೆ ಪರಿಣಾಮಕಾರಿಯಾಗಬಹುದಾದ ಅಪ್ಲಿಕೇಶನ್ಗಳಲ್ಲಿ ವಿಶೇಷವಾಗಿ ಉಪಯುಕ್ತವಾಗಬಹುದು, ಉದಾಹರಣೆಗೆ ಡಾರ್ಕ್ ನೆಲಮಾಳಿಗೆಯಲ್ಲಿ ವಸ್ತುಗಳ ಮೂಲಕ ವಿಂಗಡಿಸುವುದು ಅಥವಾ ಭೂಕಂಪದ ನಂತರ ಭಾಗಶಃ ಕುಸಿದ ಕಟ್ಟಡದ ಒಳಗಿನಿಂದ ಅವಶೇಷಗಳನ್ನು ತೆರವುಗೊಳಿಸುವುದು.
ಅವರ ವಿಧಾನದ ಕೀಲಿಯು ಸಿಮ್ಯುಲೇಶನ್ ಪ್ರಕ್ರಿಯೆಯಾಗಿದ್ದು ಅದು ರೋಬೋಟ್ ಮತ್ತು ವಸ್ತುವಿನ ಮಾದರಿಗಳನ್ನು ಸಂಯೋಜಿಸುತ್ತದೆ ಮತ್ತು ರೋಬೋಟ್ ಅದರೊಂದಿಗೆ ಸಂವಹನ ನಡೆಸುವಂತೆ ಆ ವಸ್ತುವಿನ ಗುಣಲಕ್ಷಣಗಳನ್ನು ತ್ವರಿತವಾಗಿ ಗುರುತಿಸುತ್ತದೆ.
ಸಂಶೋಧಕರ ತಂತ್ರವು ಕಂಪ್ಯೂಟರ್ ದೃಷ್ಟಿಯನ್ನು ಸಂಯೋಜಿಸುವ ಕೆಲವು ಹೆಚ್ಚು ಸಂಕೀರ್ಣ ಮತ್ತು ದುಬಾರಿ ವಿಧಾನಗಳಂತೆ ವಸ್ತುವಿನ ದ್ರವ್ಯರಾಶಿಯನ್ನು ಊಹಿಸುವಲ್ಲಿ ಉತ್ತಮವಾಗಿದೆ. ಇದಲ್ಲದೆ, ಅವರ ಡೇಟಾ-ಸಮರ್ಥ ವಿಧಾನವು ಅನೇಕ ರೀತಿಯ ಕಾಣದ ಸನ್ನಿವೇಶಗಳನ್ನು ನಿರ್ವಹಿಸಲು ಸಾಕಷ್ಟು ದೃಢವಾಗಿದೆ.
“ಈ ಕಲ್ಪನೆಯು ಸಾಮಾನ್ಯವಾಗಿದೆ, ಮತ್ತು ರೋಬೋಟ್ ಈ ರೀತಿ ಕಲಿಯುವ ಮೇಲ್ಮೈಯನ್ನು ನಾವು ಸ್ಕ್ರಾಚಿಂಗ್ ಮಾಡುತ್ತಿದ್ದೇವೆ ಎಂದು ನಾನು ಭಾವಿಸುತ್ತೇನೆ. ರೋಬೋಟ್ಗಳು ಪ್ರಪಂಚಕ್ಕೆ ಹೋಗುವುದು, ವಸ್ತುಗಳನ್ನು ಸ್ಪರ್ಶಿಸುವುದು ಮತ್ತು ತಮ್ಮ ಪರಿಸರದಲ್ಲಿ ವಸ್ತುಗಳನ್ನು ಚಲಿಸುವುದು ಮತ್ತು ಅವರು ಸಂವಹನ ಮಾಡುವ ಎಲ್ಲದರ ಗುಣಲಕ್ಷಣಗಳನ್ನು ಸ್ವತಃ ಲೆಕ್ಕಾಚಾರ ಮಾಡುವುದು ನನ್ನ ಕನಸಾಗಿರುತ್ತದೆ” ಎಂದು MIT ಪೋಸ್ಟ್ಡಾಕ್ ಮತ್ತು ತಂತ್ರದ ಪ್ರಮುಖ ಲೇಖಕ ಪೀಟರ್ ಯಿಚೆನ್ ಚೆನ್ ಹೇಳುತ್ತಾರೆ.
ಅವರ ಸಹ-ಲೇಖಕರು ಚಾವೊ ಲಿಯು, MIT ನಲ್ಲಿ ಪೋಸ್ಟ್ಡಾಕ್ಟರಲ್ ಸಹವರ್ತಿ; ಪಿಂಗ್ಚುವಾನ್ ಮಾ ಪಿಎಚ್ಡಿ ’25; ಜ್ಯಾಕ್ ಈಸ್ಟ್ಮನ್ ಮೆಂಗ್ ’24; ಅಮೆಜಾನ್ ರೊಬೊಟಿಕ್ಸ್ನ ಡೈಲನ್ ರಾಂಡಲ್ ಮತ್ತು ಯೂರಿ ಇವನೊವ್; ಎಲೆಕ್ಟ್ರಿಕಲ್ ಮತ್ತು ಕಂಪ್ಯೂಟರ್ ಇಂಜಿನಿಯರಿಂಗ್ನ MIT ಪ್ರಾಧ್ಯಾಪಕರು ಡೇನಿಯಲಾ ರುಸ್, ಇವರು MITಯ ಕಂಪ್ಯೂಟರ್ ಸೈನ್ಸ್ ಮತ್ತು ಆರ್ಟಿಫಿಶಿಯಲ್ ಇಂಟೆಲಿಜೆನ್ಸ್ ಲ್ಯಾಬೊರೇಟರಿ (CSAIL); ಮತ್ತು CSAIL ನಲ್ಲಿ ಕಂಪ್ಯೂಟೇಶನಲ್ ಡಿಸೈನ್ ಮತ್ತು ಫ್ಯಾಬ್ರಿಕೇಶನ್ ಗ್ರೂಪ್ ಅನ್ನು ಮುನ್ನಡೆಸುವ ವೊಜ್ಸಿಕ್ ಮಾಟುಸಿಕ್. ರೊಬೊಟಿಕ್ಸ್ ಮತ್ತು ಆಟೊಮೇಷನ್ ಕುರಿತ ಅಂತರರಾಷ್ಟ್ರೀಯ ಸಮ್ಮೇಳನದಲ್ಲಿ ಸಂಶೋಧನೆಯನ್ನು ಪ್ರಸ್ತುತಪಡಿಸಲಾಗುತ್ತದೆ.
ಪತ್ತೆ ಸಂಕೇತಗಳು
ಸಂಶೋಧಕರ ವಿಧಾನವು ಪ್ರೊಪ್ರಿಯೋಸೆಪ್ಷನ್ ಅನ್ನು ಬಳಸುತ್ತದೆ, ಇದು ಬಾಹ್ಯಾಕಾಶದಲ್ಲಿ ತನ್ನ ಚಲನೆ ಅಥವಾ ಸ್ಥಾನವನ್ನು ಗ್ರಹಿಸುವ ಮಾನವ ಅಥವಾ ರೋಬೋಟ್ನ ಸಾಮರ್ಥ್ಯವಾಗಿದೆ.
ಉದಾಹರಣೆಗೆ, ಜಿಮ್ನಲ್ಲಿ ಡಂಬ್ಬೆಲ್ ಅನ್ನು ಎತ್ತುವ ವ್ಯಕ್ತಿಯು ತನ್ನ ಕೈಯಲ್ಲಿ ಡಂಬ್ಬೆಲ್ ಅನ್ನು ಹಿಡಿದಿದ್ದರೂ ಸಹ, ಅವನ ಮಣಿಕಟ್ಟು ಮತ್ತು ಬೈಸೆಪ್ನಲ್ಲಿ ಆ ಡಂಬ್ಬೆಲ್ನ ಭಾರವನ್ನು ಅನುಭವಿಸಬಹುದು. ಅದೇ ರೀತಿಯಲ್ಲಿ, ರೋಬಾಟ್ ತನ್ನ ತೋಳಿನ ಬಹು ಕೀಲುಗಳ ಮೂಲಕ ವಸ್ತುವಿನ ತೂಕವನ್ನು “ಅನುಭವಿಸಬಹುದು”.
“ಮನುಷ್ಯನು ನಮ್ಮ ಬೆರಳುಗಳಲ್ಲಿನ ಜಂಟಿ ಕೋನಗಳ ಸೂಪರ್-ನಿಖರವಾದ ಅಳತೆಗಳನ್ನು ಹೊಂದಿಲ್ಲ ಅಥವಾ ವಸ್ತುವಿಗೆ ನಾವು ಅನ್ವಯಿಸುವ ನಿಖರವಾದ ಟಾರ್ಕ್ ಅನ್ನು ಹೊಂದಿಲ್ಲ, ಆದರೆ ರೋಬೋಟ್ ಮಾಡುತ್ತದೆ. ನಾವು ಆ ಸಾಮರ್ಥ್ಯಗಳ ಲಾಭವನ್ನು ಪಡೆದುಕೊಳ್ಳುತ್ತೇವೆ,” ಲಿಯು ಹೇಳುತ್ತಾರೆ.
ರೋಬೋಟ್ ವಸ್ತುವನ್ನು ಎತ್ತಿಕೊಳ್ಳುತ್ತಿದ್ದಂತೆ, ಸಂಶೋಧಕರ ವ್ಯವಸ್ಥೆಯು ರೋಬೋಟ್ನ ಜಂಟಿ ಎನ್ಕೋಡರ್ಗಳಿಂದ ಸಂಕೇತಗಳನ್ನು ಸಂಗ್ರಹಿಸುತ್ತದೆ, ಅವು ಚಲನೆಯ ಸಮಯದಲ್ಲಿ ಅದರ ಕೀಲುಗಳ ತಿರುಗುವಿಕೆಯ ಸ್ಥಾನ ಮತ್ತು ವೇಗವನ್ನು ಪತ್ತೆಹಚ್ಚುವ ಸಂವೇದಕಗಳಾಗಿವೆ.
ಹೆಚ್ಚಿನ ರೋಬೋಟ್ಗಳು ತಮ್ಮ ಚಲಿಸುವ ಭಾಗಗಳನ್ನು ಚಾಲನೆ ಮಾಡುವ ಮೋಟಾರ್ಗಳಲ್ಲಿ ಸಾಮಾನ್ಯ ಎನ್ಕೋಡರ್ಗಳನ್ನು ಹೊಂದಿವೆ, ಲಿಯು ಸೇರಿಸುತ್ತಾರೆ. ಇದು ಅವರ ತಂತ್ರವನ್ನು ಕೆಲವು ವಿಧಾನಗಳಿಗಿಂತ ಹೆಚ್ಚು ವೆಚ್ಚ-ಪರಿಣಾಮಕಾರಿಯನ್ನಾಗಿ ಮಾಡುತ್ತದೆ, ಏಕೆಂದರೆ ಇದಕ್ಕೆ ಸ್ಪರ್ಶ ಸಂವೇದಕಗಳು ಅಥವಾ ದೃಷ್ಟಿ ಟ್ರ್ಯಾಕಿಂಗ್ ಸಿಸ್ಟಮ್ಗಳಂತಹ ಹೆಚ್ಚುವರಿ ಘಟಕಗಳ ಅಗತ್ಯವಿಲ್ಲ.
ರೋಬೋಟ್-ಆಬ್ಜೆಕ್ಟ್ ಪರಸ್ಪರ ಕ್ರಿಯೆಯ ಸಮಯದಲ್ಲಿ ವಸ್ತುವಿನ ಗುಣಲಕ್ಷಣಗಳನ್ನು ಅಂದಾಜು ಮಾಡಲು, ಅವುಗಳ ವ್ಯವಸ್ಥೆಯು ಎರಡು ಮಾದರಿಗಳ ಮೇಲೆ ಅವಲಂಬಿತವಾಗಿದೆ: ಒಂದು ರೋಬೋಟ್ ಮತ್ತು ಅದರ ಚಲನೆಯನ್ನು ಅನುಕರಿಸುತ್ತದೆ ಮತ್ತು ವಸ್ತುವಿನ ಡೈನಾಮಿಕ್ಸ್ ಅನ್ನು ಅನುಕರಿಸುತ್ತದೆ.
“ನಮ್ಮ ವಿಧಾನದ ಯಶಸ್ಸಿಗೆ ನೈಜ ಪ್ರಪಂಚದ ನಿಖರವಾದ ಡಿಜಿಟಲ್ ಅವಳಿಗಳನ್ನು ಹೊಂದಿರುವುದು ನಿಜವಾಗಿಯೂ ಮುಖ್ಯವಾಗಿದೆ” ಎಂದು ಚೆನ್ ಸೇರಿಸುತ್ತಾರೆ.
ಅವರ ಅಲ್ಗಾರಿದಮ್ ಭೌತಿಕ ಪರಸ್ಪರ ಕ್ರಿಯೆಯ ಸಮಯದಲ್ಲಿ ರೋಬೋಟ್ ಮತ್ತು ಚಲಿಸುವ ವಸ್ತುವನ್ನು “ವೀಕ್ಷಿಸುತ್ತದೆ” ಮತ್ತು ಹಿಂದಕ್ಕೆ ಕೆಲಸ ಮಾಡಲು ಮತ್ತು ವಸ್ತುವಿನ ಗುಣಲಕ್ಷಣಗಳನ್ನು ಗುರುತಿಸಲು ಸಹ-ಎನ್ಕೋಡರ್ ಡೇಟಾವನ್ನು ಬಳಸುತ್ತದೆ.
ಉದಾಹರಣೆಗೆ, ರೋಬೋಟ್ ಅದೇ ಬಲವನ್ನು ಅನ್ವಯಿಸಿದರೆ ಭಾರವಾದ ವಸ್ತುವು ಹಗುರವಾದ ಒಂದಕ್ಕಿಂತ ನಿಧಾನವಾಗಿ ಚಲಿಸುತ್ತದೆ.
ವಿಭಿನ್ನ ಸಿಮ್ಯುಲೇಶನ್ಗಳು
ಅವರು ಡಿಫರೆನ್ಶಿಯೇಬಲ್ ಸಿಮ್ಯುಲೇಶನ್ ಎಂಬ ತಂತ್ರವನ್ನು ಬಳಸುತ್ತಾರೆ, ಇದು ವಸ್ತುವಿನ ಗುಣಲಕ್ಷಣಗಳಲ್ಲಿನ ಸಣ್ಣ ಬದಲಾವಣೆಗಳಾದ ದ್ರವ್ಯರಾಶಿ ಅಥವಾ ಮೃದುತ್ವವು ರೋಬೋಟ್ನ ಜಂಟಿ ಅಂತಿಮ ಸ್ಥಾನದ ಮೇಲೆ ಹೇಗೆ ಪರಿಣಾಮ ಬೀರುತ್ತದೆ ಎಂಬುದನ್ನು ಊಹಿಸಲು ಅಲ್ಗಾರಿದಮ್ ಅನ್ನು ಅನುಮತಿಸುತ್ತದೆ. ಸಂಶೋಧಕರು ಎನ್ವಿಡಿಯಾದ ವಾರ್ಪ್ ಲೈಬ್ರರಿಯನ್ನು ಬಳಸಿಕೊಂಡು ತಮ್ಮ ಸಿಮ್ಯುಲೇಶನ್ಗಳನ್ನು ನಿರ್ಮಿಸಿದ್ದಾರೆ, ಇದು ವಿಭಿನ್ನ ಸಿಮ್ಯುಲೇಶನ್ಗಳನ್ನು ಬೆಂಬಲಿಸುವ ತೆರೆದ ಮೂಲ ಅಭಿವೃದ್ಧಿ ಸಾಧನವಾಗಿದೆ.
ಡಿಫರೆನ್ಸಬಲ್ ಸಿಮ್ಯುಲೇಶನ್ ನಿಜವಾದ ರೋಬೋಟ್ ಚಲನೆಗಳಿಗೆ ಹೊಂದಿಕೆಯಾದ ನಂತರ, ಸಿಸ್ಟಮ್ ಸರಿಯಾದ ಆಸ್ತಿಯನ್ನು ಗುರುತಿಸಿದೆ. ಅಲ್ಗಾರಿದಮ್ ಇದನ್ನು ಸೆಕೆಂಡುಗಳಲ್ಲಿ ಮಾಡಬಹುದು ಮತ್ತು ಲೆಕ್ಕಾಚಾರಗಳನ್ನು ನಿರ್ವಹಿಸಲು ಚಲಿಸುವ ರೋಬೋಟ್ನ ನೈಜ-ಪ್ರಪಂಚದ ಪಥವನ್ನು ಮಾತ್ರ ನೋಡಬೇಕಾಗಿದೆ.
“ತಾಂತ್ರಿಕವಾಗಿ, ನೀವು ವಸ್ತುವಿನ ಮಾದರಿಯನ್ನು ತಿಳಿದಿರುವವರೆಗೆ ಮತ್ತು ರೋಬೋಟ್ ಆ ವಸ್ತುವಿಗೆ ಹೇಗೆ ಬಲವನ್ನು ಅನ್ವಯಿಸುತ್ತದೆ, ನೀವು ಗುರುತಿಸಲು ಬಯಸುವ ಪ್ಯಾರಾಮೀಟರ್ ಏನೆಂದು ನೀವು ಲೆಕ್ಕಾಚಾರ ಮಾಡಲು ಸಾಧ್ಯವಾಗುತ್ತದೆ” ಎಂದು ಲಿಯು ಹೇಳುತ್ತಾರೆ.
ಸಂಶೋಧಕರು ವಸ್ತುವಿನ ದ್ರವ್ಯರಾಶಿ ಮತ್ತು ಮೃದುತ್ವವನ್ನು ಕಂಡುಹಿಡಿಯಲು ತಮ್ಮ ವಿಧಾನವನ್ನು ಬಳಸಿದರು, ಆದರೆ ಅವರ ತಂತ್ರವು ಜಡತ್ವದ ಕ್ಷಣ ಅಥವಾ ಪಾತ್ರೆಯೊಳಗಿನ ದ್ರವದ ಸ್ನಿಗ್ಧತೆಯಂತಹ ಗುಣಲಕ್ಷಣಗಳನ್ನು ಸಹ ನಿರ್ಧರಿಸುತ್ತದೆ.
ಹೆಚ್ಚುವರಿಯಾಗಿ, ಅವರ ಅಲ್ಗಾರಿದಮ್ಗೆ ತರಬೇತಿಗಾಗಿ ವ್ಯಾಪಕವಾದ ಡೇಟಾ ಸೆಟ್ ಅಗತ್ಯವಿಲ್ಲದ ಕಾರಣ, ಕಂಪ್ಯೂಟರ್ ದೃಷ್ಟಿ ಅಥವಾ ಬಾಹ್ಯ ಸಂವೇದಕಗಳನ್ನು ಅವಲಂಬಿಸಿರುವ ಕೆಲವು ವಿಧಾನಗಳಂತಹ, ಕಾಣದ ಪರಿಸರಗಳು ಅಥವಾ ಕಾದಂಬರಿ ವಸ್ತುಗಳನ್ನು ಎದುರಿಸಿದಾಗ ಅದು ವೈಫಲ್ಯಕ್ಕೆ ಒಳಗಾಗುವುದಿಲ್ಲ.
ಭವಿಷ್ಯದಲ್ಲಿ, ಸಂಶೋಧಕರು ತಮ್ಮ ವಿಧಾನವನ್ನು ಕಂಪ್ಯೂಟರ್ ದೃಷ್ಟಿಯೊಂದಿಗೆ ಸಂಯೋಜಿಸಲು ಪ್ರಯತ್ನಿಸಲು ಬಯಸುತ್ತಾರೆ, ಅದು ಇನ್ನಷ್ಟು ಶಕ್ತಿಯುತವಾದ ಮಲ್ಟಿಮೋಡಲ್ ಪತ್ತೆ ತಂತ್ರವನ್ನು ರಚಿಸಲು.
“ಈ ಕೆಲಸವು ಕಂಪ್ಯೂಟರ್ ದೃಷ್ಟಿಯನ್ನು ಬದಲಿಸಲು ಪ್ರಯತ್ನಿಸುತ್ತಿಲ್ಲ. ಎರಡೂ ವಿಧಾನಗಳು ಅವುಗಳ ಅನುಕೂಲಗಳು ಮತ್ತು ಅನಾನುಕೂಲಗಳನ್ನು ಹೊಂದಿವೆ. ಆದರೆ ಇಲ್ಲಿ ನಾವು ಕ್ಯಾಮರಾ ಇಲ್ಲದೆ, ನಾವು ಈಗಾಗಲೇ ಈ ಕೆಲವು ಗುಣಲಕ್ಷಣಗಳನ್ನು ಕಂಡುಹಿಡಿಯಬಹುದು ಎಂದು ತೋರಿಸಿದ್ದೇವೆ,” ಚೆನ್ ಹೇಳುತ್ತಾರೆ.
ಮೃದುವಾದ ರೋಬೋಟ್ಗಳಂತಹ ಹೆಚ್ಚು ಸಂಕೀರ್ಣವಾದ ರೊಬೊಟಿಕ್ ಸಿಸ್ಟಮ್ಗಳು ಮತ್ತು ಸ್ಪ್ಲಾಶಿಂಗ್ ದ್ರವಗಳು ಅಥವಾ ಮರಳಿನಂತಹ ಗ್ರ್ಯಾನ್ಯುಲರ್ ಮಾಧ್ಯಮ ಸೇರಿದಂತೆ ಹೆಚ್ಚು ಸಂಕೀರ್ಣವಾದ ವಸ್ತುಗಳ ಜೊತೆಗೆ ಅಪ್ಲಿಕೇಶನ್ಗಳನ್ನು ಅನ್ವೇಷಿಸಲು ಅವರು ಬಯಸುತ್ತಾರೆ.
ದೀರ್ಘಾವಧಿಯಲ್ಲಿ, ರೋಬೋಟ್ ಕಲಿಕೆಯನ್ನು ಸುಧಾರಿಸಲು ಈ ತಂತ್ರವನ್ನು ಅನ್ವಯಿಸಲು ಅವರು ಭಾವಿಸುತ್ತಾರೆ, ಭವಿಷ್ಯದ ರೋಬೋಟ್ಗಳು ತ್ವರಿತವಾಗಿ ಹೊಸ ಕುಶಲ ಕೌಶಲ್ಯಗಳನ್ನು ಅಭಿವೃದ್ಧಿಪಡಿಸಲು ಮತ್ತು ತಮ್ಮ ಪರಿಸರದಲ್ಲಿನ ಬದಲಾವಣೆಗಳಿಗೆ ಹೊಂದಿಕೊಳ್ಳಲು ಅನುವು ಮಾಡಿಕೊಡುತ್ತದೆ.
“ದತ್ತಾಂಶದಿಂದ ವಸ್ತುಗಳ ಭೌತಿಕ ಗುಣಲಕ್ಷಣಗಳನ್ನು ನಿರ್ಧರಿಸುವುದು ರೋಬೋಟಿಕ್ಸ್ನಲ್ಲಿ ಬಹಳ ಹಿಂದಿನಿಂದಲೂ ಒಂದು ಸವಾಲಾಗಿದೆ, ವಿಶೇಷವಾಗಿ ಸೀಮಿತ ಅಥವಾ ಗದ್ದಲದ ಮಾಪನಗಳು ಮಾತ್ರ ಲಭ್ಯವಿದ್ದಾಗ. ಈ ಕೆಲಸವು ಮಹತ್ವದ್ದಾಗಿದೆ. ಏಕೆಂದರೆ ರೋಬೋಟ್ಗಳು ಬಾಹ್ಯ ಕ್ಯಾಮೆರಾಗಳು ಅಥವಾ ವಿಶೇಷ ಮಾಪನ ಸಾಧನಗಳನ್ನು ಅವಲಂಬಿಸದೆ ಕೇವಲ ತಮ್ಮ ಆಂತರಿಕ ಸ್ಪಷ್ಟವಾದ ಸಂವೇದಕಗಳನ್ನು ಬಳಸಿಕೊಂಡು ದ್ರವ್ಯರಾಶಿ ಮತ್ತು ಮೃದುತ್ವದಂತಹ ಗುಣಲಕ್ಷಣಗಳನ್ನು ನಿಖರವಾಗಿ ನಿರ್ಣಯಿಸಬಹುದು ಎಂದು ತೋರಿಸುತ್ತದೆ,” ಎಂದು ಸಂಶೋಧನೆಯಲ್ಲಿ ತೊಡಗಿರುವ ಹಿರಿಯ ನಿರ್ದೇಶಕ ಮೈಲ್ಸ್ ಮ್ಯಾಕ್ಲಿನ್ ಹೇಳುತ್ತಾರೆ. ಸಂಶೋಧನೆ.
ಈ ಕೆಲಸವು ಭಾಗಶಃ, Amazon ಮತ್ತು GIST-CSAIL ಸಂಶೋಧನಾ ಕಾರ್ಯಕ್ರಮದಿಂದ ಧನಸಹಾಯ ಪಡೆದಿದೆ.
