Unity Fremmer Robotindustrien Med Nye Udgivelser

Unity er en af de førende platforme for udvikling og drift af realtids 3D-indhold, eller RT3D-indhold. Selskabet har nyligt annonceret sin Object Pose Estimation, der sigter mod at forbedre robotindustrien, specifikt i den industrielle sammenhæng, gennem brug af computer vision og simulationsteknologier.

Object Pose Demonstration

Object Pose Demonstration fandt sted sammen med en tilsvarende demonstration, der viser, hvordan robotter kan lære gennem syntetiske data.

Dr. Danny Lange er Senior Vice President of Artificial Intelligence i Unity.

“Dette er et kraftfuldt eksempel på et system, der lærer i stedet for at blive programmeret, og da det lærer af de syntetiske data, er det i stand til at fange meget mere nuancerede mønstre, end nogen programmerer nogensinde kunne,” sagde han. “At lagre vores teknologier sammen viser, hvordan vi krydser en grænse, og vi begynder at beskæftige os med noget, der virkelig er AI, og i dette tilfælde, demonstrerer effektiviteten i træning af robotter.”

Når Dr. Lange henviser til at lagre selskabets teknologier, henviser han delvist til Unitys nyeste udgivelser, der understøtter Robot Operating System (ROS), der er et fleksibelt framework for udvikling af robotsoftware.

https://www.youtube.com/watch?v=dhVPml_IVr4

Bygning På Tidligere Udgivelser

Før udgivelsen af Object Pose Estimation-demonstrationen udgav Unity selskabets URDF Importer, en open-source Unity-pakke, sammen med ROS-TCP-Connector, der sigter mod at drastisk reducere latencyen af beskeder mellem ROS-noder og Unity. Dette muliggør, at robotten, der opererer i en simuleret omgang, kan handle i næsten realtid.

Simulationsteknologi bruges ofte, når man tester anvendelser i farlige, dyre eller sjældne situationer. Ved at bruge simulation kan anvendelserne validieres, før de deployes til robotten, hvilket muliggør tidlig opdagelse af potentielle problemer. Ved at kombinere Unitys indbyggede fysikmotor og Unity Editor kan der være et ubegrænset antal virtuelle omgivelser.

Med kombinationen af disse værktøjer viste demonstrationen, hvordan store mængder syntetisk, mærket træningsdata kan oprettes. Det blev derefter brugt til at træne en simpel dyb læringmodel til at forudsige positionen af en kube. Demonstrationen tilbød en vejledning for dem, der ønskede at genskabe projektet.

“Med Unity har vi ikke kun demokratiseret dataoprettelse, men vi har også givet adgang til et interaktivt system til at simulere avancerede interaktioner i en virtuel sammenhæng,” fortsatte Lange.

“Du kan udvikle kontrolsystemer for en autonom køretøj, for eksempel, eller her for meget dyre robotarme, uden risiko for at beskadige udstyr eller dramatisk øge omkostningerne ved industrielle installationer. At kunne bevise risikoen for de planlagte anvendelser i en højtilfældigt virtuel omgang vil spare tid og penge for mange industrier, der er parat til at blive transformeret af robotteknologi kombineret med AI og Machine Learning.”