Some of main problems in robotics a

Some of main problems in robotics are compute power and knowedge sharing limitations. There is still a big gap between the abilities of individual robots and what is required for truly useful autonomous service robots. Network robotics can help to solve the problem by allowing individual robots to share and pool resources. However, large-scale distributed robot learning issues still need to be resolved. In this dissertation, I will address the research problem of enabling large-scale distributed robot learning through cloud computing, with a specific focus on elder care assistance in fetching small objects. I propose to develop a new service robot infrastructure based on cloud computing. I will design and implement private cloud infrastructure to support large-scale distributed robot learning to help improve grasping strategies for individual robots.
I will develop the private cloud sharing of infrastructure for cloud robotics on an OpenStack (2013) and Hadoop (2013) computer cluster. This cloud will support computational power and knowledge of grasping strategies. I will design and implement object recognition and grasping point detection for fetching small objects such as eyeglasses, pens, and bottles.
TheoverallarchitectureofmyproposedmethodologyispresentedinFigure3.1. Iproposecloudsupported large-scale distributed learning based on lightweight robots. I assume the robots participating in the distributed system will have a single Kinect and communicate over Wi-Fi. The infrastructure systemwillconsistoffivemaincomponents: commoninterface,mesagemanager,registryoperation, resource manager and the cooperative learning model. The common interface provides a standard framework for communication and messaging across robots. The message manager works like a master control node for handling the message exchange between system and robots. The registry manages information about the robots that are availbale on the distributed system. The resource manager is responsible for handling requests for information from robots. Finally, the cooperative learningmodelsupportslearningandsearchingforknowledgeofgraspingstrategiesforobjects. The platform works with a robot registry database and a repository for grasping point information.
Mymethodologycanbedividedintofourmainparts: objectrecognitionandgraspingpointdetection, development of the environment for cloud robotics, cooperative learning via cloud robotics, and experimentalevaluation. IwillevaluatethesystemusingtheRoboticsAutomationVirtualEnvironment provided by OpenRAVE (2013) software for quantitative data. I will also perform a limited qualitative real-world evaluation using a Turtlebot 2 and lightweight manipulator, as shown in Figure 3.2. This evaluation will focus on elder care assistance in fetching small objects.

ผลลัพธ์ (ไทย) 1:

ปัญหาหลักในวิทยาได้คำนวณพลังงานและ knowedge ร่วมจำกัด ยังมีช่องว่างขนาดใหญ่ระหว่างความสามารถของหุ่นยนต์แต่ละตัวและสิ่งจำเป็นสำหรับหุ่นยนต์บริการอิสระที่เป็นประโยชน์อย่างแท้จริง วิทยาเครือข่ายสามารถช่วยแก้ปัญหา โดยให้หุ่นยนต์แต่ละ การใช้สระว่ายน้ำทรัพยากร อย่างไรก็ตาม ปัญหาการเรียนรู้หุ่นยนต์กระจายขนาดใหญ่ยังจำเป็นต้องแก้ไข ในวิทยานิพนธ์นี้ ฉันจะแก้ไขปัญหาวิจัยของเปิดใช้งานหุ่นยนต์ขนาดใหญ่ที่เรียนผ่านเมฆคอมพิวเตอร์ ความ specific ความช่วยเหลือดูแลพี่ในนำวัตถุขนาดเล็กแบบกระจาย ผมเสนอพัฒนาตัวใหม่บริการหุ่นยนต์โครงสร้างพื้นฐานตามคลาวด์คอมพิวเตอร์ ฉันจะออกแบบ และใช้โครงสร้างพื้นฐานคลาวด์ส่วนตัวเพื่อสนับสนุนการกระจายการหุ่นยนต์ขนาดใหญ่เพื่อช่วยให้การปรับปรุงกลยุทธ์การเรียงสำหรับหุ่นยนต์แต่ละผมจะพัฒนาส่วนตัวเมฆโครงสร้างพื้นฐานสำหรับวิทยาเมฆ OpenStack (2013) และอย่างไร Hadoop (2013) คอมพิวเตอร์คลัสเตอร์ใช้ร่วมกัน เมฆนี้จะสนับสนุนพลังงานคำนวณและความรู้เรียงกลยุทธ์ ฉันจะออกแบบ และใช้วัตถุการรับรู้และตรวจพบจุดเรียงวัตถุขนาดเล็กเช่นแว่นตา ปากกา และขวดที่นำมาใช้TheoverallarchitectureofmyproposedmethodologyispresentedinFigure3.1. Iproposecloudsupported ขนาดใหญ่กระจายเรียนตามหุ่นยนต์น้ำหนักเบา ผมถือว่า หุ่นยนต์ที่เข้าร่วมในระบบกระจายจะมี Kinect เดียว และสื่อสารผ่านอินเตอร์เน็ต Wi-fi Systemwillconsistoffivemaincomponents โครงสร้างพื้นฐาน: commoninterface, mesagemanager, registryoperation ผู้จัดการฝ่ายทรัพยากรและรูปแบบการเรียนรู้แบบมีส่วนร่วม อินเทอร์เฟสทั่วไปมีกรอบมาตรฐานสำหรับการสื่อสารและส่งข้อความผ่านหุ่นยนต์ ตัวจัดการข้อความการทำงานเช่นโหนควบคุมสำหรับการแลกเปลี่ยนข้อความระหว่างระบบหุ่นยนต์ รีจิสทรีที่จัดการข้อมูลเกี่ยวกับหุ่นยนต์ที่ availbale ในระบบแบบกระจาย ตัวจัดการทรัพยากรที่รับผิดชอบสำหรับการร้องขอข้อมูลจากหุ่นยนต์ ในที่สุด สหกรณ์ learningmodelsupportslearningandsearchingforknowledgeofgraspingstrategiesforobjects แท่นทำงานร่วมกับหุ่นยนต์รีจิสทรีฐานข้อมูลและคลังข้อมูลจุดเรียงMymethodologycanbedividedintofourmainparts: objectrecognitionandgraspingpointdetection พัฒนาสภาพแวดล้อมสำหรับวิทยาเมฆ สหกรณ์เรียนวิทยาเมฆ และ experimentalevaluation IwillevaluatethesystemusingtheRoboticsAutomationVirtualEnvironment โดย OpenRAVE (2013) ซอฟต์แวร์สำหรับข้อมูลเชิงปริมาณ ฉันยังจะทำการจำกัดคุณภาพจริงการประเมินโดยใช้ Turtlebot 2 และ manipulator น้ำหนักเบา ดังแสดงในรูปที่ 3.2 การประเมินนี้จะเน้นความช่วยเหลือดูแลพี่ในนำวัตถุขนาดเล็ก

ผลลัพธ์ (ไทย) 2:

บางส่วนของปัญหาที่สำคัญในหุ่นยนต์ที่มีการประมวลผลและข้อ จำกัด ร่วมกัน Knowedge ยังคงมีช่องว่างขนาดใหญ่ระหว่างความสามารถของหุ่นยนต์แต่ละบุคคลและสิ่งที่จำเป็นสำหรับหุ่นยนต์บริการที่มีประโยชน์อย่างแท้จริงในกำกับของรัฐ หุ่นยนต์ระบบเครือข่ายสามารถช่วยในการแก้ปัญหาโดยการอนุญาตให้หุ่นยนต์ของแต่ละบุคคลในการแบ่งปันและทรัพยากรน้ำ อย่างไรก็ตามการกระจายขนาดใหญ่ปัญหาการเรียนรู้หุ่นยนต์ยังคงต้องได้รับการแก้ไข ในวิทยานิพนธ์นี้ผมจะแก้ไขปัญหาการวิจัยของการเปิดใช้หุ่นยนต์ขนาดใหญ่กระจายการเรียนรู้ผ่านคอมพิวเตอร์เมฆที่มีการระบุไว้คมุ่งเน้นในการให้ความช่วยเหลือดูแลผู้สูงอายุในการเรียกวัตถุขนาดเล็ก ผมเสนอในการพัฒนาโครงสร้างพื้นฐานด้านการบริการหุ่นยนต์ตัวใหม่ขึ้นอยู่กับคอมพิวเตอร์เมฆ ผมจะออกแบบและใช้โครงสร้างพื้นฐานคลาวด์ส่วนตัวเพื่อสนับสนุนการกระจายขนาดใหญ่เรียนรู้หุ่นยนต์เพื่อช่วยปรับปรุงโลภกลยุทธ์สำหรับหุ่นยนต์ของแต่ละบุคคล.
ฉันจะมีการพัฒนาร่วมกันเมฆส่วนตัวของโครงสร้างพื้นฐานสำหรับหุ่นยนต์เมฆ OpenStack (2013) และ Hadoop (2013) คลัสเตอร์คอมพิวเตอร์ . เมฆนี้จะรองรับกำลังการคำนวณและความรู้ของโลภกลยุทธ์ ผมจะออกแบบและดำเนินการรับรู้วัตถุและการตรวจสอบจุดโลภการดึงวัตถุขนาดเล็กเช่นแว่นตา, ปากกา, และขวด.
TheoverallarchitectureofmyproposedmethodologyispresentedinFigure3.1 Iproposecloudsupported ขนาดใหญ่กระจายการเรียนรู้บนพื้นฐานของหุ่นยนต์ที่มีน้ำหนักเบา ผมถือว่าหุ่นยนต์ที่เข้าร่วมในระบบการกระจายจะมี Kinect เดียวและการสื่อสารผ่าน Wi-Fi โครงสร้างพื้นฐาน systemwillconsistof Fi vemaincomponents: commoninterface, mesagemanager, registryoperation ผู้จัดการทรัพยากรและรูปแบบการเรียนรู้แบบมีส่วนร่วม ติดต่อกันให้กรอบมาตรฐานสำหรับการสื่อสารและการส่งข้อความข้ามหุ่นยนต์ ผู้จัดการข้อความการทำงานเช่นโหนดควบคุมหลักสำหรับการจัดการการแลกเปลี่ยนข้อความระหว่างระบบและหุ่นยนต์ รีจิสทรีจัดการข้อมูลเกี่ยวกับหุ่นยนต์ที่มี availbale ในระบบการกระจาย จัดการทรัพยากรมีหน้าที่ในการจัดการการร้องขอข้อมูลจากหุ่นยนต์ สุดท้ายสหกรณ์ learningmodelsupportslearningandsearchingforknowledgeofgraspingstrategiesforobjects แพลตฟอร์มการทำงานร่วมกับฐานข้อมูลรีจิสทรีหุ่นยนต์และพื้นที่เก็บข้อมูลสำหรับข้อมูลโลภจุด.
Mymethodologycanbedividedintofourmainparts: objectrecognitionandgraspingpointdetection การพัฒนาสภาพแวดล้อมสำหรับหุ่นยนต์เมฆ, การเรียนแบบร่วมมือผ่านทางหุ่นยนต์เมฆและ experimentalevaluation IwillevaluatethesystemusingtheRoboticsAutomationVirtualEnvironment ให้โดย OpenRAVE (2013) ซอฟแวร์สำหรับข้อมูลเชิงปริมาณ ฉันยังจะดำเนินการ จำกัด การประเมินโลกแห่งความจริงเชิงคุณภาพโดยใช้ Turtlebot ที่ 2 และหุ่นยนต์ที่มีน้ำหนักเบาดังแสดงในรูปที่ 3.2 การประเมินนี้จะมุ่งเน้นการให้ความช่วยเหลือดูแลผู้สูงอายุในการเรียกวัตถุขนาดเล็ก

ผลลัพธ์ (ไทย) 3:

บางส่วนของปัญหาหลักของหุ่นยนต์จะใช้พลังงานร่วมกัน และมีข้อจำกัด ยังคงมีช่องว่างระหว่างความสามารถของหุ่นยนต์แต่ละตัว และสิ่งที่เป็นประโยชน์อย่างแท้จริงต่อบริการหุ่นยนต์ หุ่นยนต์เครือข่ายสามารถช่วยในการแก้ปัญหา โดยให้หุ่นยนต์แต่ละตัว เพื่อแบ่งปันทรัพยากรและสระ อย่างไรก็ตาม large-scale distributed robot learning issues still need to be resolved. In this dissertation, I will address the research problem of enabling large-scale distributed robot learning through cloud computing, with a specific focus on elder care assistance in fetching small objects. I propose to develop a new service robot infrastructure based on cloud computing.ผมจะออกแบบและใช้โครงสร้างพื้นฐานเมฆเอกชนสนับสนุนขนาดใหญ่กระจายการเรียนรู้ของหุ่นยนต์เพื่อช่วยปรับปรุงความเข้าใจกลยุทธ์หุ่นยนต์แต่ละ .
ผมจะพัฒนาส่วนของโครงสร้างพื้นฐานเมฆเมฆใช้หุ่นยนต์ใน openstack ( 2013 ) และ Hadoop ( 2013 ) คลัสเตอร์คอมพิวเตอร์ เมฆคอมพิวเตอร์และความรู้นี้จะสนับสนุนอำนาจของโลภ กลยุทธ์ I will design and implement object recognition and grasping point detection for fetching small objects such as eyeglasses, pens, and bottles.
TheoverallarchitectureofmyproposedmethodologyispresentedinFigure3.1. Iproposecloudsupported large-scale distributed learning based on lightweight robots. I assume the robots participating in the distributed system will have a single Kinect and communicate over Wi-Fi. The infrastructure systemwillconsistoffivemaincomponents: commoninterface,mesagemanager,registryoperation, resource manager and the cooperative learning model. The common interface provides a standard framework for communication and messaging across robots.ผู้จัดการงานควบคุมเช่นโหนดข้อความต้นแบบสำหรับการจัดการข้อความที่แลกเปลี่ยนระหว่างระบบและหุ่นยนต์ รีจิสทรีจัดการข้อมูลเกี่ยวกับหุ่นยนต์ที่ availbale ในระบบแบบกระจาย . ผู้จัดการทรัพยากรเป็นผู้รับผิดชอบในการจัดการการร้องขอข้อมูลจากหุ่นยนต์ ในที่สุด the cooperative learningmodelsupportslearningandsearchingforknowledgeofgraspingstrategiesforobjects. The platform works with a robot registry database and a repository for grasping point information.
Mymethodologycanbedividedintofourmainparts: objectrecognitionandgraspingpointdetection, development of the environment for cloud robotics, cooperative learning via cloud robotics, and experimentalevaluation. IwillevaluatethesystemusingtheRoboticsAutomationVirtualEnvironment provided by OpenRAVE (2013) software for quantitative data. I will also perform a limited qualitative real-world evaluation using a Turtlebot 2 and lightweight manipulator, as shown in Figure 3.2. This evaluation will focus on elder care assistance in fetching small objects.