Boston Dynamics, insansı robotu Atlas için yeni bir algı sistemiyle robotikte büyük bir sıçramayı duyurdu.
Bu yükseltme için belirtelim ki, Atlas’a çevresini hassas bir şekilde anlama yeteneği kazandırarak, fabrika ve endüstriyel ortamlarda karmaşık görevleri otonom olarak gerçekleştirmesini sağlıyor.
Robotun çevikliği uzun zamandır dikkat çekse de, şirket artık gerçek dünya otonomisini sağlamada algının kritik rolünü vurguluyor.
Atlas gibi bir robot, parlak, karanlık veya sıkı bir şekilde paketlenmiş nesnelerle dolu bir dünyayla etkileşime girmeli. Bu, sadece bir parçayı alıp doğru bir şekilde yerleştirmenin gelişmiş bir akıl yürütme gerektirdiği anlamına geliyor.
Boston Dynamics, robotun görme sistemini, 2B ve 3B farkındalık, nesne pozisyonu izleme ve gördükleri ve yaptıkları arasındaki sıkı kalibrasyonun bir kombinasyonu yoluyla bu zorluklarla başa çıkacak şekilde tasarladı.
Atlas, çevresini 2D nesne algılama sistemiyle tarayarak başlıyor. Bu sistem, ilgili nesneleri ve tehlikeleri belirleyerek her bir öğeye sınırlayıcı kutular ve anahtar noktalar atıyor.
Fabrika ortamlarında Atlas, çeşitli şekil ve boyutlardaki depolama armatürleriyle sıklıkla etkileşime giriyor.
Fikstürler dış ve iç anahtar noktalar kullanılarak analiz ediliyor. Dıştakiler nesnenin genel şeklini tanımlarken, iç anahtar noktalar iç yuvaları belirliyor.
Bunlar, bireysel yuvaları hassasiyetle yerelleştirme yeteneği sağlıyor. Algılama modelleri, Atlas’ın hareketlerine ayak uydurmak için performansı hızla dengeleyerek gerçek zamanlı çalışmalı.
Bir fikstürün içindeki parçaları manipüle etmek için Atlas, nesneye göre konumunu tahmin ediyor. Özel bir yerelleştirme modülü, gözlemlenen anahtar noktaları depolanmış bir modelle hizalıyor. Ayrıca, zaman içinde doğruluğu korumak için hareket verilerini entegre ediyor.
Bu işlem, örtülü anahtar noktalar veya yanıltıcı açılar gibi yaygın sorunları ele alıyor. İç ve dış anahtar noktalarının birleşimi, fikstürün ve tüm yuvalarının pozunun daha güvenilir bir tahminini üretiyor.
Fikstürler aynı görünse bile, Atlas bunları ayırt etmek için mekansal belleğe ve bağlama güvenir.
Atlas bir parçayı yakaladığında, onu uzayda takip etmeli. Robotun SuperTracker sistemi kinematik, görsel ve kuvvet verilerini birleştiriyor. Bu, Atlas’ın nesnenin kaydığını veya görüş alanından çıkıp çıkmadığını bilmesini sağlıyor.
Poz tahmini, sentetik eğitim verilerini kullanıyor ve gerçek görüntüleri CAD render’larıyla eşleştiriyor. Sistem, poz tahminlerini öz tutarlılık kontrolleri ve kinematik kısıtlamalar kullanarak filtreliyor.
Bu filtreler, Atlas’ın gördüğü ile vücudunun hissettiği arasında uyum sağlıyor ve parçanın konumunu milimetre hassasiyetinde iyileştiriyor.
