Unity Utvecklar Robotikindustrin Med Nya Utgåvor

Unity är en av de ledande plattformarna för utveckling och drift av realtids-3D-innehåll, eller RT3D. Företaget har nyligen tillkännagett sin Object Pose Estimation, som syftar till att förbättra robotikindustrin, särskilt i industriella miljöer, genom användning av datorseende och simuleringstekniker. 

Object Pose Demonstration

Object Pose Demonstration ägde rum tillsammans med en motsvarande demonstration, som visade hur robotar kan lära sig genom syntetiska data. 

Dr. Danny Lange är Senior Vice President of Artificial Intelligence på Unity.

“Detta är ett kraftfullt exempel på ett system som lär sig istället för att programmeras, och när det lär sig från de syntetiska data, kan det fånga upp mycket mer nyanserade mönster än någon programmerare någonsin kunde,” sa han. “Att lägga våra teknologier tillsammans visar hur vi korsar en gräns, och vi börjar att hantera något som är verkligt AI, och i det här fallet, demonstrerar effektiviteten som är möjlig vid utbildning av robotar.”

När Dr. Lange hänvisar till att lägga företagets teknologier, hänvisar han delvis till Unitys nyliga utgåvor som stöder Robot Operating System (ROS), som är ett flexibelt ramverk för utveckling av robotprogramvara. 

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

Bygga På Tidigare Utgåvor

Före utgåvan av Object Pose Estimation-demon, släppte Unity företagets URDF Importer, ett öppen källkods-Unity-paket, tillsammans med ROS-TCP-Connector, som syftar till att drastiskt minska fördröjningen av meddelanden mellan ROS-noder och Unity. Detta möjliggör att roboten som opererar i en simulerad miljö kan agera i nära realtid. 

Simuleringsteknik används ofta när man testar applikationer i farliga, dyra eller sällsynta situationer. Genom att använda simulering kan applikationerna valideras innan de distribueras till roboten, vilket möjliggör tidig upptäckt av potentiella problem. Genom att kombinera Unitys inbyggda fysikmotor och Unity Editor, kan det skapas ett obegränsat antal virtuella miljöer. 

Med kombinationen av dessa verktyg, visade demonstrationen hur stora mängder syntetiska, märkta träningsdata kan skapas. Det användes sedan för att träna en enkel djupinlärningsmodell för att förutsäga positionen för en kub. Demon visade en handledning för de som vill återskapa projektet.

“Med Unity, har vi inte bara demokratiserat data-skapande, vi har också gett tillgång till ett interaktivt system för simulerande avancerade interaktioner i en virtuell miljö,” fortsatte Lange.

“Du kan utveckla kontrollsystem för ett autonomt fordon, till exempel, eller här för mycket dyra robotarmar, utan risken för att skada utrustning eller dramatiskt öka kostnaden för industriella installationer. Att kunna bevisa risken för avsedda applikationer i en högkvalitativ virtuell miljö kommer att spara tid och pengar för många industrier som är redo att förvandlas av robotik i kombination med AI och maskinlärande.”