Unityn edistää robotti-teollisuutta uusilla julkaisuilla

Unity on yksi johtavista alustoista kehittää ja operoimaan reaaliaikaisia 3D- tai RT3D-sisältöjä. Yritys on vastikään ilmoittanut Object Pose Estimation -järjestelmästään, jonka tavoitteena on parantaa robotti-teollisuutta, erityisesti teollisessa ympäristössä, tietokoneen näön ja simulaatioteknologioiden avulla.

Object Pose Demonstration

Object Pose Demonstration järjestettiin vastaavan demonstraation rinnalla, jossa näytettiin, miten robotit voivat oppia synteettisistä tiedoista.

Tohtori Danny Lange on Unityn tekoälyosaston varapresidentti.

“Tämä on voimallinen esimerkki järjestelmästä, joka oppii ohjelmoinnin sijaan, ja kun se oppii synteettisistä tiedoista, se pystyy havainnoimaan paljon monimutkaisempia kuvioita kuin mikään ohjelmoija koskaan voisi”, hän sanoi. “Kerrosimme teknologioitamme yhteen, ja näytämme, miten ylittämme rajan, ja aloitamme käsittelemään jotain, joka on todella tekoäly, ja tässä tapauksessa, osoittamalla tehokkuuden mahdollisuudet robottien koulutuksessa.”

Kun tohtori Lange viittaa kerrosten tekniikkaan, hän viittaa osittain Unityn viimeaikaisiin julkaisuihin, jotka tukevat Robot Operating System (ROS) -järjestelmää, joka on joustava kehys robotti-ohjelmistojen kehittämiseen.

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

Building on Previous Releases

Ennen Object Pose Estimation -demon julkaisemista Unity julkaisi yrityksen URDF- tuojan, avoimen lähdekoodin Unity-paketin, sekä ROS-TCP- yhdistimen, jonka tavoitteena on radikaalisti vähentää viiveitä ROS-solmujen ja Unityn välillä. Tämä mahdollistaa robotin toiminnan simuloituessa ympäristössä lähes reaaliajassa.

Simulaatioteknologiaa käytetään usein sovellusten testaamiseen vaarallisissa, kalliissa tai harvinaisissa tilanteissa. Simulaation avulla sovellukset voidaan validoida ennen niiden käyttöönottoa robotiin, mikä mahdollistaa potentiaalisten ongelmien varhaisen havaitsemisen. Yhdistämällä Unityn sisäänrakennetun fysiikkamoottorin ja Unity Editorin, voidaan luoda lähes rajattoman määrän virtuaalisia ympäristöjä.

Näiden työkalujen yhdistelmällä demonstraatio osoitti, miten suuria määriä synteettisiä, merkittyjä koulutusdataa voidaan luoda. Niitä käytettiin sitten yksinkertaisen syväoppimismallin kouluttamiseen kuution sijainnin ennustamiseen. Demo tarjosi opastuksen niille, jotka halusivat jäljitellä projekti.

“Unityn avulla olemme demokratisoineet datan luomisen, ja olemme myös tarjonneet pääsyn interaktiiviseen järjestelmään simuloimaan edistyneitä vuorovaikutuksia virtuaalisessa ympäristössä”, Lange jatkoi.

“Voit kehittää ohjausjärjestelmiä esimerkiksi itsenäisille ajoneuvoille tai täällä hyvin kalliille robotti-käsille, ilman riskiä vahingoittaa laitteita tai dramaattisesti lisätä teollisten asennusten kustannuksia. Pystyäksemme osoittamaan tarkoituksen mukaisia sovellusten riskejä korkealaatuisessa virtuaalisessa ympäristössä säästää aikaa ja rahaa monille aloille, jotka ovat valmiita muuttumaan robotti-teknologian ja tekoälynhallinnan yhdistelmän avulla.”