Rapidly expanding internet resource

Rapidly expanding internet resources and wireless networking have potential to liberate robots and automation systems from limited onboard computation, memory, and software. “Cloud Robotics” describes an approach that recognizes the wide availability of networking and incorporates open-source elements to greatly extend earlier concepts of “Online Robots” and “Networked Robots”. In this paper we consider how cloud-based data and computation can facilitate 3D robot grasping. We present a system architecture, implemented prototype, and initial experimental data for a cloud-based robot grasping system that incorporates a Willow Garage PR2 robot with onboard color and depth cameras, Google's proprietary object recognition engine, the Point Cloud Library (PCL) for pose estimation, Columbia University's GraspIt! toolkit and OpenRAVE for 3D grasping and our prior approach to sampling-based grasp analysis to address uncertainty in pose. We report data from experiments in recognition (a recall rate of 80% for the objects in our test set), pose estimation (failure rate under 14%), and grasping (failure rate under 23%) and initial results on recall and false positives in larger data sets using confidence measures.

ผลลัพธ์ (ไทย) 1:

อย่างรวดเร็วขยายทรัพยากรอินเทอร์เน็ตและเครือข่ายไร้สาย มีศักยภาพในการปลดปล่อยหุ่นยนต์ และระบบอัตโนมัติจากการคำนวณ onboard หน่วยความจำ และซอฟต์แวร์จำกัด "เมฆหุ่นยนต์" อธิบายถึงวิธีการที่รู้จักความพร้อมใช้งานที่หลากหลายของเครือข่าย และใช้องค์ประกอบแหล่งเปิดการขยายแนวคิดก่อนหน้านี้ของ "หุ่นยนต์ออนไลน์" และ "หุ่นยนต์เครือข่าย" ในเอกสารนี้ เราพิจารณาข้อมูลจาก cloud อย่างไร และคำนวณสามารถให้หุ่นยนต์ 3D โลภ เรานำเสนอสถาปัตยกรรมระบบ ต้นแบบที่ดำเนินการ และเริ่มต้นทดลองข้อมูลสำหรับหุ่นยนต์ที่คลาวด์โลภระบบที่รวมเอาหุ่นยนต์วิลโลว์รถ PR2 กับ onboard สี และความละเอียดของกล้อง โปรแกรมรู้วัตถุกรรมสิทธิ์ของ Google จุดเมฆไลบรารี (มหาชน) เพื่อก่อให้เกิดการประเมิน มหาวิทยาลัยโคลัมเบีย GraspIt เครื่องมือ และ OpenRAVE สำหรับโลภ 3D และวิธีการใช้การสุ่มตัวอย่างของเราก่อนเข้าใจวิเคราะห์เพื่อก่อให้เกิดความไม่แน่นอนอยู่ เรารายงานข้อมูลจากการทดลองในการรับรู้ (เรียกคืนอัตรา 80% สำหรับวัตถุในชุดทดสอบของเรา), ก่อให้เกิดการประเมิน (ความล้มเหลวในราคาต่ำกว่า 14%), และโลภ (อัตราความล้มเหลวภายใต้ 23%) และเริ่มเห็นผลบวกเท็จและเรียกคืนในชุดข้อมูลขนาดใหญ่ที่ใช้วัดความเชื่อมั่น

ผลลัพธ์ (ไทย) 2:

การขยายตัวอย่างรวดเร็วทรัพยากรอินเทอร์เน็ตและเครือข่ายไร้สายที่มีศักยภาพที่จะปลดปล่อยหุ่นยนต์และระบบอัตโนมัติจาก จำกัด onboard คำนวณหน่วยความจำและซอฟแวร์ เมฆ "หุ่นยนต์" อธิบายถึงวิธีการที่ตระหนักถึงความว่างกว้างของเครือข่ายและรวมเอาองค์ประกอบเปิดแหล่งที่มาเพื่อช่วยขยายแนวความคิดก่อนหน้านี้ของ "หุ่นยนต์ออนไลน์" และ "หุ่นยนต์ในเครือข่าย" ซึ่งเป็น ในบทความนี้เราจะพิจารณาว่าข้อมูลเมฆตามและการคำนวณสามารถอำนวยความสะดวกโลภหุ่นยนต์ 3D เรานำเสนอสถาปัตยกรรมระบบต้นแบบดำเนินการและข้อมูลการทดลองครั้งแรกสำหรับระบบโลภเมฆที่ใช้หุ่นยนต์ที่รวมเอาหุ่นยนต์วิลโลว์โรงรถ PR2 ที่มีสีและความลึก onboard กล้องเครื่องยนต์รับรู้วัตถุของ Google ที่เป็นกรรมสิทธิ์ของเมฆห้องสมุดจุด (มหาชน) เพื่อก่อให้เกิด การประเมินของมหาวิทยาลัยโคลัมเบีย GraspIt! ชุดเครื่องมือและ OpenRAVE สำหรับ 3D โลภและวิธีการของเราก่อนที่จะวิเคราะห์ความเข้าใจการสุ่มตัวอย่างที่ใช้ในการรับมือกับความไม่แน่นอนในการก่อให้เกิด เรารายงานข้อมูลจากการทดลองในการรับรู้ (อัตราการเรียกคืนของ 80% สำหรับวัตถุที่อยู่ในชุดการทดสอบของเรา) ก่อให้เกิดการประมาณค่า (อัตราความล้มเหลวต่ำกว่า 14%) และโลภ (อัตราความล้มเหลวภายใต้ 23%) และผลเบื้องต้นในการเรียกคืนและบวกเท็จ ในชุดข้อมูลที่มีขนาดใหญ่โดยใช้มาตรการความเชื่อมั่น