Welche Gemeinsamkeiten gibt es bei Dateneingabefehlern, mühsamer Arbeitsbelastung,

Die Erkundung ist ein wichtiger Aspekt der autonomen Navigation in der Robotik. Simultane Lokalisierung und Kartierung (SLAM) ist eine grundlegende Technik, die es Robotern ermöglicht, unbekannte Umgebungen zu navigieren und zu kartieren. Visuelle simultane Lokalisierung und Kartierung oder visuelles SLAM (VSLAM) ist eine spezielle Art von SLAM, die es Robotern ermöglicht, ihre Umgebung zu kartieren und ihre eigene Position, d. h. die Odometrie, in Echtzeit mithilfe visueller Eingaben von Kameras zu schätzen.

Simulierte Daten werden für das Training und den Einsatz von Deep-Learning-Modellen immer beliebter. Fortschritte in der Simulationstechnologie ermöglichen die Erzeugung realistischer synthetischer Daten für Anwendungen wie Robotik, autonome Fahrzeuge und Computer Vision. Obwohl simulierte Daten kosteneffektiv und effizient sind, muss beim Einsatz von Modellen in der realen Welt sorgfältig auf Übertragbarkeit und Verallgemeinerung geachtet werden.

Die Navigation von autonomen mobilen Robotern (AMR) stützt sich in hohem Maße auf visuelles SLAM, was für visuelle simultane Lokalisierung und Kartierung steht. Bei dieser Technik wird eine Kamera verwendet, um die Position des Roboters zu bestimmen und gleichzeitig eine Karte der Umgebung zu erstellen. Visuelles SLAM ist entscheidend für Marserkundungsgeräte, unbemannte Roboter, Endoskopie und Staubsauger.

ROS ist ein Open-Source-Framework, das die Entwicklung komplexer Roboteranwendungen vereinfacht. Es nutzt eine verteilte Architektur, die die Kommunikation zwischen verschiedenen Softwarekomponenten innerhalb eines Robotersystems erleichtert.

In diesem Artikel werden die Vorteile und Herausforderungen der Kombination von Blender und Nvidia Isaac Sim zur Erstellung realistischer Simulationen für Robotikanwendungen erörtert. Durch die Integration der 3D-Modellierungs- und Animationsfunktionen von Blender mit der Simulationssoftware von Nvidia Isaac Sim können detailliertere und genauere Modelle zum Testen und Verfeinern von Algorithmen entwickelt werden. Darüber hinaus können mit Nvidia Isaac Sim generierte synthetische Daten zum Trainieren von Deep-Perception-Modellen verwendet werden, was den Zeit- und Arbeitsaufwand für das Sammeln und Beschriften von Datensätzen reduziert.

Dieser Blog ist der zweite Teil einer zweiteiligen Serie, in der wir die Verwendung von Sensorfusion in autonomen mobilen Robotern (AMRs) vorstellen, die mit ROS (Robot Operating System) 2 arbeiten können. Im ersten Teil haben wir die Sensorfusion vorgestellt, kurz einen Sensorfusionsalgorithmus namens EKF (Extended Kalman Filters) behandelt und dann einige Experimente in der Simulation und an unserem AMR durchgeführt.

Dieser Blog ist der erste Teil einer zweiteiligen Serie, in der wir die Verwendung von Sensorfusion in autonomen mobilen Robotern (AMRs) vorstellen, die mit ROS 2 (Robot Operating System 2) arbeiten können. In diesem Teil werden wir eine Einführung in die Sensorfusion geben, einen kurzen Überblick über einen Sensorfusionsalgorithmus namens EKF (Extended Kalman Filters) geben und dann einige der Experimente durchführen, die wir in der Simulation und auf unserem AMR durchgeführt haben.

Die robotergestützte Prozessautomatisierung (Robotic Process Automation, RPA) hat sich nach der weltweiten Pandemie zu einem Gewinner für die Technologiebranche entwickelt. Sie wurde nicht nur zu einem Begriff für die Tech-Industrie, sondern war gleichzeitig die einzige Technologie, die sich seit der Pandemie einen Weg nach vorne bahnte. Wir haben immer wieder darüber gelesen, und eines ist sicher: Sie macht menschenorientierte Geschäftsaufgaben unkomplizierter, schneller und fehlerfrei.

Früher haben Menschen jeden Aspekt des Unternehmens verwaltet, selbst wenn diese Aufgabe repetitiv, regelbasiert und zeitaufwändig war. Da Menschen nicht nur in ihrer Kapazität begrenzt sind, wie lange sie am Stück und in welchem Tempo arbeiten können, sondern dies auch davon abhängt, wie motiviert sie sind. Geringe Motivation, langsamerer Output und sich wiederholende Aufgaben sind sicherlich nicht gut für die Motivation. Infolgedessen war das Tempo, in dem Unternehmen wachsen konnten, begrenzt.