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 au-
tonomous 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 dis-
tributed 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 com-
puting. 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.

The overall architecture of my proposed methodology is presented in Figure 3.1. I propose cloud sup-
ported 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

system will consist of five main components: common interface, mesage manager, registry operation,

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

learning model supports learning and searching for knowledge of grasping strategies for objects. The

platform works with a robot registry database and a repository for grasping point information.

My methodology can be divided into four main parts: object recognition and grasping point detection,

development of the environment for cloud robotics, cooperative learning via cloud robotics, and ex-
perimental evaluation. I will evaluate the system using the Robotics Automation Virtual Environment

provided by OpenRAVE (2013) software for quantitative data. I will also perform a limited qualita-
tive 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 มียังคงเป็นช่องว่างขนาดใหญ่ระหว่างความสามารถของหุ่นยนต์แต่ละตัวและสิ่งจำเป็นสำหรับ au มีประโยชน์อย่างแท้จริง-tonomous บริการหุ่นยนต์ วิทยาเครือข่ายสามารถช่วยแก้ปัญหา โดยให้แต่ละหุ่นยนต์เพื่อใช้ร่วมกัน และสระว่ายน้ำทรัพยากร อย่างไรก็ตาม ปัญหาการเรียนรู้หุ่นยนต์กระจายขนาดใหญ่ยังคงต้องเพื่อสามารถแก้ไข ในวิทยานิพนธ์นี้ ฉันจะแก้ไขปัญหาวิจัยของเปิดใช้งานขนาดใหญ่หรือไม่??-หุ่นยนต์ tributed เรียนรู้ผ่านคอมพิวเตอร์ โดยมุ่งเน้นเฉพาะความช่วยเหลือดูแลพี่ในเมฆนำวัตถุขนาดเล็ก ผมเสนอตัวใหม่บริการหุ่นยนต์โครงสร้างพื้นฐานโดยพัฒนาบนเมฆ com -ทำให้ ฉันจะออกแบบ และกระจายโครงสร้างพื้นฐานคลาวด์ส่วนตัวใช้เพื่อรองรับขนาดใหญ่หุ่นยนต์เพื่อช่วยให้การปรับปรุงกลยุทธ์การเรียงสำหรับหุ่นยนต์แต่ละผมจะพัฒนาส่วนตัวเมฆร่วมโครงสร้างพื้นฐานคลาวด์หุ่นในการ OpenStack (2013)และคลัสเตอร์คอมพิวเตอร์อย่างไร Hadoop (2013) เมฆนี้จะสนับสนุนพลังงานคำนวณและความรู้กลยุทธ์ที่เรียง ฉันจะออกแบบ และใช้วัตถุการรับรู้และตรวจพบจุดที่เรียงนำมาใช้วัตถุขนาดเล็กเช่นแว่นตา ปากกา และขวดสถาปัตยกรรมโดยรวมของวิธีการนำเสนอของฉันจะแสดงในรูปที่ 3.1 ผมเสนอทรัพย์เมฆ-ส่งเรียนกระจายขนาดใหญ่อยู่ในหุ่นยนต์น้ำหนักเบา ผมถือว่าหุ่นยนต์ที่เข้าร่วมในระบบกระจายจะมี Kinect เดียว และสื่อสารผ่านอินเตอร์เน็ต Wi-fi โครงสร้างพื้นฐานระบบจะประกอบด้วยส่วนประกอบหลักห้า: อินเตอร์เฟซทั่วไป ผู้จัดการข้อความ การดำเนิน การรีจิสทรีจัดการทรัพยากรและรูปแบบการเรียนรู้แบบมีส่วนร่วม อินเทอร์เฟสทั่วไปให้ราคามาตรฐานกรอบงานสำหรับการสื่อสารและส่งข้อความผ่านหุ่นยนต์ จัดการข้อความการทำงานเช่นการโหนควบคุมสำหรับการแลกเปลี่ยนข้อความระหว่างระบบหุ่นยนต์ รีจิสทรีจัดการข้อมูลเกี่ยวกับหุ่นยนต์ที่ availbale ในระบบแบบกระจาย ทรัพยากรผู้รับผิดชอบสำหรับการร้องขอข้อมูลจากหุ่นยนต์ สุดท้าย สหกรณ์รูปแบบการเรียนรู้สนับสนุนการเรียนรู้ และค้นหาความรู้เรียงกลยุทธ์สำหรับวัตถุ ที่แพลตฟอร์มการทำงานร่วมกับหุ่นยนต์รีจิสทรีฐานข้อมูลและคลังข้อมูลจุดเรียงวิธีฉันสามารถแบ่งออกเป็นสี่ส่วนหลัก: วัตถุการรับรู้และตรวจจุดเรียงพัฒนาสภาพแวดล้อมสำหรับวิทยาเมฆ สหกรณ์เรียนวิทยาเมฆ และเก่าการประเมินผล perimental ฉันจะประเมินระบบโดยใช้วิทยาการหุ่นยนต์อัตโนมัติเสมือนสิ่งแวดล้อมโดย OpenRAVE (2013) ซอฟต์แวร์สำหรับข้อมูลเชิงปริมาณ ผมจะดำเนินการจำกัด qualita-ใช้ Turtlebot 2 และ manipulator น้ำหนักเบา ดังแสดงในรูปที่ 3.2 ประเมินจริง tiveการประเมินนี้จะเน้นความช่วยเหลือดูแลพี่ในนำวัตถุขนาดเล็ก

ผลลัพธ์ (ไทย) 2:

บางส่วนของปัญหาที่สำคัญในหุ่นยนต์ที่มีการประมวลผลและข้อ จำกัด ร่วมกัน Knowedge มียังคงเป็นช่องว่างขนาดใหญ่ระหว่างความสามารถของหุ่นยนต์แต่ละบุคคลและสิ่งที่จำเป็นสำหรับประโยชน์อย่างแท้จริงอําหุ่นยนต์บริการ tonomous หุ่นยนต์ระบบเครือข่ายสามารถช่วยในการแก้ปัญหาโดยการอนุญาตให้บุคคลที่หุ่นยนต์ในการแบ่งปันและทรัพยากรน้ำ อย่างไรก็ตามการกระจายขนาดใหญ่ปัญหาการเรียนรู้หุ่นยนต์ยังคงต้องได้รับการแก้ไข ในวิทยานิพนธ์นี้ผมจะแก้ไขปัญหาการวิจัยของการเปิดขนาดใหญ่ปรากฏการเรียนรู้ tributed หุ่นยนต์ผ่านคอมพิวเตอร์เมฆโดยมุ่งเน้นเฉพาะการช่วยเหลือดูแลผู้สูงอายุในการเรียกวัตถุขนาดเล็ก ผมเสนอในการพัฒนาโครงสร้างพื้นฐานด้านการบริการหุ่นยนต์ตัวใหม่ขึ้นอยู่กับองค์ประกอบเมฆputing ผมจะออกแบบและใช้โครงสร้างพื้นฐานคลาวด์ส่วนตัวเพื่อสนับสนุนการกระจายขนาดใหญ่เรียนรู้หุ่นยนต์เพื่อช่วยปรับปรุงโลภกลยุทธ์สำหรับหุ่นยนต์ของแต่ละบุคคล. ฉันจะมีการพัฒนาร่วมกันเมฆส่วนตัวของโครงสร้างพื้นฐานสำหรับหุ่นยนต์เมฆ OpenStack (2013) และ Hadoop (2013) คลัสเตอร์คอมพิวเตอร์ . เมฆนี้จะรองรับกำลังการคำนวณและความรู้ของโลภกลยุทธ์ ผมจะออกแบบและดำเนินการรับรู้วัตถุและการตรวจสอบจุดโลภการดึงวัตถุขนาดเล็กเช่นแว่นตา, ปากกา, และขวด. สถาปัตยกรรมโดยรวมของวิธีการที่นำเสนอของฉันจะถูกนำเสนอในรูปที่ 3.1 ผมเสนอเมฆสนับสนุนรังเพลิงขนาดใหญ่กระจายการเรียนรู้บนพื้นฐานของหุ่นยนต์ที่มีน้ำหนักเบา ผมถือว่าหุ่นยนต์ที่มีส่วนร่วมในระบบการกระจายจะมี Kinect เดียวและการสื่อสารผ่าน Wi-Fi โครงสร้างพื้นฐานระบบจะประกอบด้วยห้าองค์ประกอบหลัก: อินเตอร์เฟซที่พบบ่อยผู้จัดการ mesage การดำเนินงานรีจิสทรีจัดการทรัพยากรและรูปแบบการเรียนรู้แบบมีส่วนร่วม ติดต่อกันให้มาตรฐานกรอบสำหรับการสื่อสารและการส่งข้อความข้ามหุ่นยนต์ ผู้จัดการข้อความการทำงานเช่นโหนดควบคุมหลักสำหรับการจัดการการแลกเปลี่ยนข้อความระหว่างระบบและหุ่นยนต์ รีจิสทรีจัดการข้อมูลเกี่ยวกับหุ่นยนต์ที่มี availbale ในระบบการกระจาย ทรัพยากรผู้จัดการมีหน้าที่ในการจัดการการร้องขอข้อมูลจากหุ่นยนต์ ในที่สุดความร่วมมือรูปแบบการเรียนรู้สนับสนุนการเรียนรู้และการแสวงหาความรู้ของโลภกลยุทธ์สำหรับวัตถุ แพลตฟอร์มการทำงานร่วมกับฐานข้อมูลรีจิสทรีหุ่นยนต์และพื้นที่เก็บข้อมูลสำหรับข้อมูลโลภจุด. วิธีการที่ฉันสามารถแบ่งออกเป็นสี่ส่วนหลักคือการรับรู้วัตถุและการตรวจสอบจุดโลภ, การพัฒนาสภาพแวดล้อมสำหรับหุ่นยนต์เมฆ, การเรียนแบบร่วมมือผ่านทางหุ่นยนต์เมฆและอดีตการประเมินผล Perimental ผมจะประเมินระบบโดยใช้สภาพแวดล้อมการทำงานอัตโนมัติหุ่นยนต์เสมือนจริงที่ให้บริการโดย OpenRAVE (2013) ซอฟแวร์สำหรับข้อมูลเชิงปริมาณ ฉันยังจะดำเนินการ จำกัด qualita- ประเมินโลกแห่งความจริงเชิงใช้ Turtlebot ที่ 2 และหุ่นยนต์ที่มีน้ำหนักเบาดังแสดงในรูปที่ 3.2. การประเมินนี้จะมุ่งเน้นการให้ความช่วยเหลือดูแลผู้สูงอายุในการเรียกวัตถุขนาดเล็ก

ผลลัพธ์ (ไทย) 3:

บางส่วนของปัญหาหลักของหุ่นยนต์จะใช้พลังงานร่วมกัน และมีข้อจำกัด มี

ยังคงเป็นช่องว่างขนาดใหญ่ระหว่างความสามารถของหุ่นยนต์แต่ละตัว และสิ่งที่เป็นประโยชน์อย่างแท้จริง AU - หุ่นยนต์บริการ
tonomous . เครือข่ายหุ่นยนต์สามารถช่วยในการแก้ปัญหา โดยให้แต่ละคน

หุ่นยนต์เพื่อใช้ร่วมกัน และแบ่งปันทรัพยากร . อย่างไรก็ตาม ประเด็นที่ยังต้องมีหุ่นยนต์ขนาดใหญ่กระจายการเรียนรู้

เพื่อที่จะได้รับการแก้ไข ในวิทยานิพนธ์นี้ จะแก้ไขปัญหาการวิจัยของการเปิดใช้งานขนาดใหญ่จาก
tributed การเรียนรู้ของหุ่นยนต์ผ่านเมฆคอมพิวเตอร์ที่มีมุ่งเน้นเฉพาะในการดูแลช่วยเหลือผู้สูงอายุใน

เรียกวัตถุขนาดเล็ก ผมเสนอให้พัฒนาบริการใหม่บนพื้นฐานของหุ่นยนต์โครงสร้างพื้นฐานเมฆดอทคอม -
Puting .ผมจะออกแบบและใช้ส่วนบุคคลเมฆโครงสร้างพื้นฐานเพื่อสนับสนุนขนาดใหญ่กระจาย

การเรียนรู้ของหุ่นยนต์เพื่อช่วยปรับปรุงความเข้าใจกลยุทธ์บุคคลหุ่นยนต์

ผมจะพัฒนาส่วนของโครงสร้างพื้นฐานเมฆเมฆใช้หุ่นยนต์ใน openstack ( 2013 )

Hadoop ( 2013 ) และกลุ่มคอมพิวเตอร์ เมฆนี้จะสนับสนุนอำนาจและความรู้

ของโลภกลยุทธ์การคำนวณผมจะออกแบบและสร้างการรับรู้ และความเข้าใจ

จุดสำหรับการเรียกวัตถุขนาดเล็ก เช่น แว่นตา ปากกา และขวด

สถาปัตยกรรมโดยรวมของการนำเสนอวิธีการที่แสดงในรูปที่ 3.1 . ผมเสนอเมฆ sup -
ported ขนาดใหญ่กระจายการเรียนรู้ตามเบา หุ่นยนต์ ฉันคิดว่าหุ่นยนต์เข้าร่วม

ในระบบแบบกระจาย จะได้ปฎิบัติเดี่ยวและสื่อสารผ่าน Wi - Fi . ระบบโครงสร้างพื้นฐาน

จะประกอบด้วยองค์ประกอบหลัก 5 : อินเตอร์เฟซทั่วไป mesage ผู้จัดการ , งานทะเบียน , ผู้จัดการและการเรียนแบบร่วมมือทรัพยากร

อินเตอร์เฟซมาตรฐานทั่วไปให้

กรอบการสื่อสารและส่งข้อความผ่านหุ่นยนต์ ผู้จัดการข้อความทำงานเหมือน

โหนดการควบคุมต้นแบบสำหรับการจัดการข้อความที่แลกเปลี่ยนระหว่างระบบและหุ่นยนต์ รีจิสทรี

จัดการข้อมูลเกี่ยวกับหุ่นยนต์ที่ availbale ในระบบแบบกระจาย . ทรัพยากร

เป็นผู้จัดการรับผิดชอบการจัดการการร้องขอข้อมูลจากหุ่นยนต์ สุดท้าย สหกรณ์

รูปแบบการเรียนรู้ สนับสนุนการเรียนรู้และแสวงหาความรู้ของโลภในวัตถุ

แพลตฟอร์มทำงานกับหุ่นยนต์รีจิสทรีฐานข้อมูลและประสิทธิภาพสำหรับการจับข้อมูลจุด

วิธีการของฉันสามารถแบ่งออกเป็นสี่ส่วนหลัก : การรับรู้วัตถุและโลภตรวจหาจุด

พัฒนาสิ่งแวดล้อม ระบบหุ่นยนต์ , หุ่นยนต์เรียนแบบร่วมมือผ่านเมฆและ EX -
perimental การประเมินผล ผมจะประเมินระบบการใช้หุ่นยนต์อัตโนมัติเสมือนสิ่งแวดล้อม

โดย openrave ( 2013 ) ซอฟต์แวร์สำหรับข้อมูลเชิงปริมาณ ผมจะยังดำเนินการจำกัด qualita -
tive จริงการประเมินผลโดยใช้ turtlebot 2 และมีน้ำหนักเบา แบบ ดังแสดงในรูปที่ 3.2 .

การประเมินนี้จะเน้นดูแลผู้สูงอายุช่วยเหลือในการดึงวัตถุขนาดเล็ก .