Unity Fremmer Robotikk-Industrien Med Ny Utgivelse

Unity er en av de ledende plattformene for å utvikle og drife sanntids 3D-innhold, eller RT3D. Selskapet har nylig annonsert sitt Object Pose Estimation, som har som mål å forbedre robotikk-industrien, spesielt i industrielle settinger, gjennom bruk av datavisjon og simulerings-teknologier.

Object Pose Demonstrasjon

Object Pose Demonstrasjonen fant sted sammen med en tilhørende demonstrasjon, som viste hvordan roboter kan lære gjennom syntetisk data.

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

“Dette er et kraftig eksempel på et system som lærer i stedet for å bli programmert, og når det lærer fra syntetisk data, er det i stand til å fange mange mer nyanserte mønster enn noen programmerer noen gang kunne,” sa han. “Lagring av våre teknologier sammen viser hvordan vi krysser en linje, og vi begynner å håndtere noe som er virkelig AI, og i dette tilfelle, demonstrere effektiviteten mulig i trening av roboter.”

Når Dr. Lange henviser til lagring av selskapets teknologier, henviser han delvis til Unitys nylige utgivelser som støtter Robot Operating System (ROS), som er et fleksibelt rammeverk for utvikling av robotprogramvare.

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

Bygging På Tidligere Utgivelser

Før utgivelsen av Object Pose Estimation-demonstrasjonen, utga Unity selskapets URDF Importer, en åpen kildekode-Unity-pakke, sammen med ROS-TCP-Connector, som har som mål å dramatisk reducere forsinkelsen av meldinger mellom ROS-noder og Unity. Dette muliggjør at roboten som opererer i en simuleringsmiljø kan handle i nære sanntid.

Simuleringsteknologi brukes ofte når man tester applikasjoner i farlige, dyre eller sjeldne situasjoner. Ved å bruke simulering, kan applikasjonene validere før de deployes til roboten, hvilket muliggjør tidlig oppdagelse av potensielle problemer. Ved å kombinere Unitys innebygde fysikk-motor og Unity Editor, kan det være et ubegrenset antall virtuelle miljøer.

Med kombinasjonen av disse verktøyene, viste demonstrasjonen hvordan store mengder syntetisk, merket treningdata kan skapes. Det ble deretter brukt til å trene en enkel dyp læring-modell til å forutsi posisjonen til en kube. Demonstrasjonen tilbød en tutorial for de som ønsker å gjenskape prosjektet.

“Med Unity, har vi ikke bare demokratisert dataoppretting, men også gitt tilgang til et interaktivt system for å simulere avanserte interaksjoner i en virtuell setting,” fortsatte Lange.

“Du kan utvikle kontrollsystemer for en autonom bil, for eksempel, eller her for meget dyre robot-arme, uten å risikere å skade utstyr eller dramatisk øke kostnadene for industrielle installasjoner. Å kunne bevise risikoen for planlagte applikasjoner i en høy-fidel virtuell miljø vil spare tid og penger for mange industrier som er klar til å bli transformert av robotikk kombinert med AI og maskinlæring.”