Noticias

El estado de la robótica – mayo de 2021

Mayo fue otro mes fantástico para el desarrollo de la robótica. En un campo en constante crecimiento en el que las posibilidades son diversas y los desafíos requieren soluciones innovadoras, los investigadores están siempre a la vanguardia. En Canonical comprendemos el valor del conocimiento abierto y la colaboración. Este blog mensual tiene una gran investigación para ti y para mí.

Robot trepador: el suelo se hace más grande

Existen diferentes construcciones para permitir a los robots trepar techos. Sin embargo, este último robot del Laboratorio de Diseño y Robótica Bioinspired de UCSD pudo adherirse a superficies lisas utilizando un motor de vibración conectado a un disco flexible.

Según los investigadores de UCSD, esto es posible gracias a “la fuerza adhesiva mediada por fluidos entre una placa vibratoria y una superficie”. Vea el diagrama del sistema a continuación. El disco flexible de 14 cm de diámetro de la imagen vibra a unos 200 Hz, creando una fina capa de aire de baja presión entre él y la superficie contra la que vibra. Esta fina capa de aire, de menos de 1 mm de espesor, permite que el disco resista una fuerza de tracción de 5 N, similar al efecto de succión. Sin embargo, el cristal no tiene que estar sellado constantemente contra una superficie, lo que significa que el robot puede moverse libremente.

Este método de vibración puede tolerar cargas repentinas al moverse, y la flexibilidad del disco permite que el robot se mueva sobre superficies curvas. Los desafíos comienzan con el dimensionamiento del robot. A medida que se vuelve más pequeño, el motor adquiere una cantidad de peso desproporcionadamente grande, mientras que, a la inversa, se hace más grande, lo que significa que el agarre que obtiene está disminuyendo. De cualquier manera, la gran ventaja aquí es la simplicidad y asequibilidad del sistema.

LEER  Juguemos: Splintered Big Data PostgreSQL

La IA desarrolla la IA

La IA de diseño de chips de Google ahora tarda menos de seis horas en generar planos de planta de chips con mejor potencia, rendimiento y espacio que los creados por humanos. Los expertos suelen necesitar meses de iteraciones para completar esta tarea. Una IA solo toma unas pocas horas.

La aceleración de la IA tenía como objetivo aliviar la carga de trabajo de la CPU durante las operaciones matemáticas intensivas. Una forma de hacer esto hoy es con chips de inferencia de aprendizaje automático personalizados. Ayudan a ejecutar algoritmos de IA de forma más rápida y eficiente. El desafío es que se necesitan años para desarrollar un chip, mientras que los algoritmos de aprendizaje automático se mueven mucho más rápido. Idealmente, desea un chip que esté optimizado para la IA actual, no la IA de hace dos o cinco años. Debido a esto, Google comenzó a desarrollar IA para fabricar chips de IA.

La tarea es compleja. Los diseñadores deben colocar bloques de lógica y memoria, incluidos los grupos de estos bloques, de una manera que maximice el rendimiento y al mismo tiempo reduzca el área del chip. Para aquellos de nosotros que hemos trabajado con PCB, podemos entender la lucha. Incluso con las herramientas avanzadas de hoy en día, los expertos humanos necesitan una semana de iteración para crear un diseño aceptable.

Por lo tanto, los investigadores de Google Goldie y Mirhoseini modelaron la colocación de chips como un problema de aprendizaje por refuerzo. A diferencia de los sistemas de aprendizaje profundo típicos, los sistemas de aprendizaje por refuerzo aprenden haciendo; Ajustar los parámetros en sus redes de acuerdo con una señal de recompensa recibida si tienen éxito. Tres parámetros dictaron la recompensa, un proxy de una combinación de reducción del rendimiento, mejora del rendimiento y reducción del área. Como resultado, cuantos más borradores haga el agente, mejor se desempeñará en su trabajo.

Figura tomada de (Mirhoseini et al, 2021) Arquitectura de red de políticas y valores. Una capa de incrustación codifica información sobre la vecindad de la lista de redes, las características del nodo y la macro actual que se colocará. Las redes de políticas y valores luego generan una distribución de probabilidad sobre las celdas de la cuadrícula disponibles y una estimación de la recompensa esperada para la ubicación actual o el número de identificación de identificación; fc, capa completamente adherida; capa de deconvolución, deconvolución.

Goldie y Mirhoseini esperan que los sistemas de IA como el suyo conduzcan a “desarrollar más chips en el mismo período de tiempo y también chips que funcionen más rápido, consuman menos energía, cuesten menos y requieran menos espacio”.

El premio Robotics Award 2021 es para la pintura para automóviles PixelPaint de ABB

El Premio a la Innovación y el Emprendimiento en Robótica y Automatización (IERA) reconoce los logros de los innovadores que crean productos de clase mundial. La IEEE Robotics and Automation Society (IEEE / RAS) y la IFR patrocinan conjuntamente el premio. Esto fomenta una fuerte colaboración entre la ciencia y la industria en robótica.

El ganador de este año fue ABB con su automóvil PixelPaint. Este sistema consta de dos brazos robóticos de alta precisión que aceleran la pintura del automóvil. También aumenta la sostenibilidad, ya que elimina el exceso de pulverización, lo que es bueno para el medio ambiente. Sin embargo, el valor agregado radica en su flexibilidad, que permite a los fabricantes responder de manera eficiente a las solicitudes personalizadas mediante la aplicación de diseños personalizados y de dos tonos de una sola vez.

Un diseño de dos tonos o individual del cuerpo requiere mucho tiempo y trabajo. El vehículo debe atravesar la línea de pintura dos veces: una vez para la primera capa y luego nuevamente para el segundo color después de que las superficies hayan sido enmascaradas. Este trabajo requiere la presencia de personal para enmascarar el cuerpo. Se requieren alrededor de 10 a 20 operadores por turno.

Con PixelPaint, este desafío ya no existe. Con un cabezal de inyección de tinta para evitar el exceso de pulverización, PixelPaint garantiza que la pintura de dos tonos y los diseños individuales se apliquen en una sola pasada sin enmascarar ni desenmascarar.

Además, se desperdicia del 20 al 30% t de pintura por exceso de pulverización. El cabezal de inyección de tinta PixelPaint aplica el 100% de la pintura a la superficie del vehículo.

Migración ROS

Si ROS Kinetic y Ubuntu Xenial alcanzan el EOL, ya no recibirá actualizaciones de seguridad; por esta razón, no recomendamos permanecer en una distribución no compatible de Ubuntu o ROS.

Recomendamos explorar las opciones de migración para que su robot cumpla con los marcos de mantenimiento de seguridad.

Para obtener más información sobre el impacto de EOL, vea nuestro seminario web sobre ROS Kinetic EOL a pedido. Junto con Sid Faber, nuestro experto en seguridad y jefe del equipo de robótica de Canonical, investigaremos el impacto de la EOL y la seguridad.

Otro

Nuestra comunidad de robótica, que ha encontrado una plataforma en Ubuntu para expandir el sector de la robótica, nos sorprende una y otra vez. Cada mes vemos a la comunidad constantemente empujando los límites de lo que es posible. Ya no estamos atados al suelo, hemos desafiado los procesos tradicionales y creado innovaciones para la sostenibilidad.

¡Y queremos seguir aprendiendo de ti! Este es un blog para la comunidad y nos gustaría seguir promocionando su trabajo. Enviar un resumen a
[email protected] y nos pondremos en contacto. Gracias por leer.

Publicaciones relacionadas

Deja una respuesta

Tu dirección de correo electrónico no será publicada. Los campos obligatorios están marcados con *

Botón volver arriba