Коробка роботизированная: 6 правил, о которых мало кто знает :: Autonews

Наши роботы и концевые эффекторы будут работать с большинством предметов, включая коробки, пакеты, мешки с открытым горлом и клапаны, тюки, ведра, ящики, поддоны и прокладки.Доступен полный спектр систем подачи пакетов, включая выравнивающие, выравнивающие и поворотные конвейеры. Ячейки роботов могут быть настроены для загрузки отдельных упаковок на отдельные поддоны через шесть различных упаковок на отдельные поддоны. Концевые эффекторы разработаны с учетом вашего конкретного применения.

Опции

• Полу- и полностью автоматизированные дозаторы поддонов
• Размещение нижнего и верхнего листа
• Роликовые конвейеры для поддонов

Роботизированная укладка ящиков на поддоны Вопросы?

Наша преданная своему делу команда экспертов стремится предоставить правильное решение, а не просто любое решение.Вот почему мы предлагаем комплексные системные решения, которые помогут вам переместить , что важно, .

~ Основатель Spiroflow Мишель Подевин

Роботизированный туалетный ящик LavvieBot S

• Самый совершенный самоочищающийся туалетный ящик на рынке
• Lavviebot S легко сохраняет мусор и автоматически наполняет его самостоятельно
Приложение
• PurrSong позволяет отслеживать состояние здоровья нескольких кошек в режиме реального времени.
• Необходимо чистить каждые 2–3 недели при использовании с одной кошкой
• Поддерживает качество воздуха в помещении с помощью дезодоратора

Представьте себе дом, в котором туалетный лоток всегда чистый! Взгляните на революционный роботизированный туалетный ящик LavvieBot S , который автоматически очищает, наполняет и контролирует запахи с помощью дезодоранта, поэтому вы можете расслабиться, пока LavvieBot S поддерживает чистоту вашего дома.Без совка и без запаха. О, и это также помогает следить за здоровьем мочевыводящих путей всех ваших кошек!

LavvieBot S — это самый безопасный и инновационный автоматический самоочищающийся робот-туалетный лоток на рынке.

Когда кошка делает свои дела в LavvieBot S, она автоматически начинает уборку по прошествии определенного времени, выбранного пользователем от 15 до 90 минут, в зависимости от потребностей вашей кошки.

Кроме того, LavvieBot S использует нетоксичный антипригарный материал на дне лотка, чтобы он всегда оставался гигиенически чистым.

Автоочистка и автозаполнение

Роботизированный туалетный лоток LavvieBot S не просто отделяет комки от хорошего наполнителя после того, как ваша кошка вышла из туалетного лотка. Он наполняется автоматически, избавляя от рутинной работы по заправке до 3 недель.

LavvieBot S пополняет подстилку из своего дополнительного хранилища объемом 6,5 л после очистки, каждый раз поддерживая свежую подстилку для вашей кошки.

Гарантия безопасности

Кнопки LavvieBot S с зазубринами не позволяют кошкам нажимать на них.Роботизированный наполнитель LavvieBot S также использует 3 отдельных датчика для распознавания каждой кошки и обеспечения ее безопасности. Вы также можете легко получить доступ внутрь LavvieBot через удобную боковую дверцу.

Если кошка войдет внутрь во время цикла автоматической очистки, высокочувствительный передний инфракрасный датчик LavvieBot S обнаружит ее проникновение и безопасно втянет сепаратор.

Для тех, кто заботится о стандартах безопасности, все материалы и вещества LavvieBot S соответствуют требованиям RoHS (Директива об ограничении использования опасных веществ).

Кто может использовать LavvieBot S?

LavvieBot S можно использовать практически со всеми типами кошек, кроме крупных пород, таких как мейн-куны и кошки саванны.

Компактность и великолепный внешний вид

LavvieBot S позволяет экономить пространство и визуально вписывается в любую обстановку. Его квадратные края минимизируют мертвое пространство, вписываясь в каждый укромный уголок дома. Он также имеет плоскую верхнюю часть, так что легкие предметы можно безопасно класть на верхнюю часть прибора.Его тщательно продуманный и эстетичный дизайн выполнен в элегантном белом цвете, поэтому он прекрасно сочетается со всем в вашем доме.

LavvieBot S достаточно просторны, чтобы обеспечить комфортное размещение кошек. Лоток вмещает до 5 литров мусора, что на 50% больше, чем в других автоматических туалетных лотках.

Простота обслуживания

LavvieBot S необходимо чистить каждые 2–3 недели (для одной кошки), что более чем в два раза больше, чем у других автоматических туалетных принадлежностей, благодаря запатентованной системе автоматического наполнения LavvieBot S.Как только кошка выйдет из туалетного лотка, сепаратор сгребает мусор в ящик с интервалом по вашему выбору (от 15 до 90 минут).

Роботизированный туалетный лоток LavvieBot S предлагает надежную систему просеивания. Сосредоточив вращающую силу двигателя на сепараторе, механизм LavvieBot S демонстрирует исключительную очищающую способность, предотвращая поломку и сохраняя при этом удивительно низкий уровень шума. Для Lavviebot S. рекомендуется использовать стандартную комковатую подстилку.

LavvieBot S (16,1 * 4,7 * 6,3 ″) достаточно велик, чтобы собирать мусор в течение максимум 3 недель (для одной кошки). Чтобы опорожнить, просто выбросьте полный пластиковый мешок изнутри и заново застелите контейнер для отходов чистым пластиковым пакетом, что позволит LavvieBot S собирать отходы в течение еще 3 недель.

Жизнь без помета

LavvieBot S помогает избавить ваш дом от мусора, позволяя остаткам мусора падать обратно в лоток с лап кошек, когда они выпрыгивают.

Без запаха

LavvieBot S эффективно нейтрализует запах с помощью дезодоратора.

В комплект входят два дезодоранта. Они состоят из активированного угля, который нужно менять примерно раз в 4-6 месяцев.

Владельцы пользуются долгим сроком службы дезодоранта (его срок службы может варьироваться в зависимости от влажности и температуры в помещении, где он находится). LavvieBot S не будет иметь запаха и поддерживать приятную атмосферу как для вас, так и для вашей кошки.

Безопасная и простая адаптация

Даже если ваша кошка изначально осторожна, легко снимаемый лоток LavvieBot S позволяет вашей кошке быстро адаптироваться к новой среде. После периода адаптации ваша кошка будет считать это безопасным местом для входа и использования.

Чтобы получить доступ к внутренней части LavvieBot S, просто нажмите кнопку «Опустошить», чтобы открыть боковую дверцу и вынуть отсоединенный лоток для мусора.

Интуитивно понятный пользовательский интерфейс / пользовательский интерфейс и приложение

LavvieBot S разработана для интуитивно понятного управления и простой навигации.

С приложением PurrSong вы можете по-настоящему наслаждаться жизнью без сенсаций, одновременно отслеживая и оставаясь на связи с вашим LavvieBot:

• Отслеживает уровень мусора и мусора: LavvieBot S информирует вас об уровне мусора и мусора в приложении PurrSong (доступно бесплатно в App Store и Google Play).
• Мониторы Использование кошачьего туалета: Приложение PurrSong отслеживает частоту и продолжительность использования LavvieBot S вашей кошкой, поэтому вы всегда можете следить за ее здоровьем.LavvieBot S также может распознать каждую кошку в доме с несколькими кошками, если они весят более 1,6 фунта друг от друга

30-дневная гарантия возврата денег

Если вы или ваши кошки не полностью удовлетворены продуктом по какой-либо причине, просто верните устройство в течение 30 дней после получения для возврата денег за продукт. Обратите внимание на следующие условия:

• Товар должен быть возвращен в оригинальной коробке со всеми принадлежностями
• Стоимость доставки при возврате товара оплачивается покупателем.
• Если товар не возвращается в новом состоянии со всеми принадлежностями, взимается плата за уборку.

12-месячная гарантия

Автоматический ящик для туалета LavvieBot S — это универсальное решение для кошек, которое прослужит долго! На него предоставляется 12-месячная гарантия, которая гарантирует ремонт или замену вашего автоматического лотка в случае неисправности, вызванной производственной проблемой. После гарантии производителя продукт будет поддерживаться службой поддержки RobotShop.

Гибкий и совместный подход к роботизированному наполнению ящиков и сортировке предметов

Пьетро Балатти — старший инженер-программист в лаборатории интерфейсов человек-робот и физического взаимодействия Istituto Italiano di Tecnologia. Он получил докторскую степень с отличием в области робототехники и автоматизации в Пизанском университете и Институте информационных технологий в 2021 году. В 2014 и 2016 годах он получил степень бакалавра наук и докторскую степень в области компьютерных наук и инженерии Миланского политехнического университета, Италия. соответственно.Он участвует в проектах EU Horizon-2020 SOPHIA и CONCERT, а также активно участвует в инициативах по передаче технологий с несколькими промышленными партнерами, такими как лаборатория JOiiNT в инновационном районе Kilometro Rosso. Он отвечал за структуру управления роботами в команде CoAware, которая выиграла премию KUKA Innovation Award в апреле 2018 года, победила в премии Solution Award 2019 (MECSPE2019) и стала финалистом Solution Award 2020 (MECSPE2020). Его основные исследовательские интересы сосредоточены на повышении автономности взаимодействия роботов в областях адаптивного управления импедансом, мобильных манипуляций, телеопераций и физического взаимодействия человека и робота.

Маттиа Леонори — техник-исследователь лаборатории «Интерфейсы человека и робота и физическое взаимодействие» Итальянского технологического института (ИТ). Он получил B.Eng. И M.Sc. (с отличием) по специальности «ИТ и автоматизация» в «Политехническом университете Марке» (ИТ). Он был приглашенным студентом в «Лаборатории автоматики, робототехники и мехатроники» Университета Клемсона (SC) в начале 2018–2019 учебного года. Его исследования сосредоточены на управлении роботами и гибком производстве.

Араш Аджудани — штатный старший научный сотрудник Итальянского технологического института (IIT), где он возглавляет лабораторию взаимодействия человека с роботом и физического взаимодействия (HRI2). Он получил степень доктора философии в области робототехники и автоматизации в Пизанском университете и IIT в 2014 году. Он является получателем стартового гранта Европейского исследовательского совета (ERC) в 2019 году, координатором проекта Horizon-2020 SOPHIA и со-координатором проект Горизонт-2020 КОНЦЕРТ. Он также координирует / является главным исследователем ряда инициатив по передаче технологий, таких как лаборатория JOiiNT.Он является лауреатом премии IEEE Robotics and Automation Society (RAS) Early Career Award 2021, победителем Amazon Research Awards 2019, Solution Award 2019 (MECSPE2019), KUKA Innovation Award 2018, награды WeRob за лучший плакат. 2018, и награды за лучшую студенческую работу на ROBIO 2013. Его докторская диссертация стала финалистом премии Georges Giralt PhD в 2015 году — лучшей европейской докторской диссертации по робототехнике. Он также был финалистом Solution Award 2020 (MECSPE2020), награды за лучший доклад на конференции Humanoids 2018, за лучший интерактивный документ на Humanoids 2016, за лучшую устную презентацию на Automatica (SIDRA) 2014 и за лучший Награда за манипуляции с бумагами на ICRA 2012.Он является автором книги «Передача навыков регулирования человеческого импеданса роботам» в Springer Tracts in Advanced Robotics (STAR), а также нескольких публикаций в журналах, на международных конференциях и в главах книг. В настоящее время он является исполнительным менеджером Программы молодых рецензентов IEEE-RAS (YRP), а также председателем и представителем Комитета молодых специалистов IEEE-RAS. Он был членом научно-консультативного комитета и младшим редактором нескольких международных журналов и конференций, таких как IEEE RAL, ICRA, IROS, ICORR и т. Д.Его основные исследовательские интересы связаны с физическим взаимодействием человека и робота, мобильными манипуляциями, надежным и адаптивным управлением, вспомогательной робототехникой и телемеханикой.

© 2021 Elsevier B.V. Все права защищены.

Box Robotics, приобретенная Seegrid для улучшения восприятия мобильных роботов

 Seegrid Corp. объявила сегодня о приобретении компании Box Robotics Inc., поставщика лидаров, которая, по ее словам, поможет ей разработать технологию ситуационной осведомленности для ее транспортных средств с визуальным наведением.Сроки приобретения компании не раскрывают.
 Компания Seegrid из
 в Питтсбурге заявила, что ее автомобили с визуальным управлением (VGV), программное обеспечение для управления автопарком, аналитика и поддержка предназначены для обеспечения надежной, гибкой и надежной автоматизации. Запатентованная компанией технология навигации Seegrid Navigation использует камеры, алгоритмы и машинное обучение для навигации в динамических средах. Seegrid заявила, что она является лидером в области автоматизированных управляемых транспортных средств (AGV) и автономных мобильных роботов (AMR), чтобы помочь предприятиям в сфере производства, складирования, электронной коммерции и логистики достичь Индустрии 4.0 и инициативы по автоматизации погрузочно-разгрузочных работ.
 Компания
 Box Robotics из Филадельфии заявила, что предлагает карты высокой четкости, трехмерный лидар и глубокое обучение для автоматизации складских помещений и производства. Seegrid заявил, что покупка стартапа поможет ускорить восприятие нового поколения и удовлетворить растущий спрос на автоматизацию во время пандемии COVID-19.
 Box Robotics для увеличения функциональности грузовиков VGV 
 Box Robotics, возглавляемая бывшими руководителями Love Park Robotics Томом Панцареллой и Джоном Сплетцером, заявила, что она фокусируется на автономии трехмерного восприятия с человеческой ситуационной осведомленностью для промышленных роботов.Seegrid отметил, что это поможет развернуть более продвинутые функции для своих мобильных роботов.
 «Seegrid и Box Robotics идеально подходят для нашей миссии по обеспечению полной трехмерной ситуационной осведомленности и предсказуемости для наших роботов следующего поколения», — заявил Джим Рок, генеральный директор Seegrid. «Том и Джон — дальновидные лидеры и опытные разработчики компьютерного зрения и робототехники, которые уникально и глубоко понимают проблемы, с которыми сталкивается автоматизация погрузочно-разгрузочных работ».
 «Для наших клиентов важна ситуационная осведомленность», — сказал он.«В 2019 году мы представили стек трехмерного восприятия, чтобы повысить ситуационную осведомленность Seegrid VGV. Чем лучше роботы понимают свое окружение, тем лучше они могут принимать решения в большем количестве ситуаций. Повышение способности VGV Seegrid к пониманию ситуаций укрепляет нашу способность решать проблемы в реальных производственных средах наших клиентов ».
 «Это стратегическое приобретение дает Seegrid и нашим клиентам конкурентное преимущество, продолжая обеспечивать повышенную производительность и бескомпромиссную безопасность, а также ускоряет развитие технологий, необходимых для поддержки сегодняшнего невероятного спроса на автоматизацию», — добавил Рок.Компания заявила, что ее роботы проехали более 3 миллионов миль без единого происшествия, связанного с безопасностью.
 
 
 Seegrid продолжает рост 
 «И Том, и Джон присоединятся к команде Seegrid», — сказал Рок. «Они возглавят нашу группу инженеров восприятия и сосредоточатся на добавлении лучшей в своем классе ситуационной осведомленности в трехмерном пространстве в уже ведущую в отрасли навигацию на основе трехмерного зрения компании Seegrid. Эти усилия в конечном итоге повысят эффективность и продуктивность, одновременно поддерживая ведущие рекорды Seegrid в области безопасности, которые достигли 4 миллионов миль на объектах клиентов без единого инцидента, связанного с безопасностью персонала.”
 «Мы очень рады быть частью семьи Seegrid и предлагать наши технологии некоторым из крупнейших мировых производителей и торговых марок, уже получающих огромную прибыль от транспортных средств Seegrid», — сказал Панцарелла, соучредитель Box Robotics. «Эта технология позволит автономным транспортным средствам Seegrid получить еще более полное представление о мире, что позволит им работать более продуктивно и сэкономить время и деньги клиентов».
 Приобретение компанией Seegrid компании Box Robotics последовало за закрытием в прошлом месяце раунда финансирования роста акционерного капитала на 52 миллиона долларов.Seegrid заявила, что намерена использовать дополнительный капитал для ускорения разработки новых продуктов и увеличения штата сотрудников.
 «Пандемия увеличила спрос на решения по автоматизации, особенно во всей отрасли погрузочно-разгрузочных работ, чтобы помочь справиться с дополнительным давлением, оказываемым на цепочки поставок, и растущими проблемами здоровья и безопасности сотрудников», — сказал Рок. «Мы не только ожидаем удвоения выручки в этом году, но и недавно завершили раунд финансирования роста акционерного капитала на 52 миллиона долларов, в результате чего общее финансирование превысило 150 миллионов долларов.Мы также расширили нашу команду и планируем нанять более 100 сотрудников в этом году для поддержки нашей растущей клиентской базы ».
 GoBox — подписка на роботов — Dexter Industries 
 Вдохновляет всех учащихся. 
 Мы считаем, что чем больше кто-то знает о том, как работают технологии, тем эффективнее и успешнее он будет в любой карьере, которую выберет. Однако способ преподавания технологий, таких как инженерия и информатика, ориентирован на людей с особым стилем обучения и часто может быть скучным и разочаровывающим для многих из нас, потому что он требует огромных базовых знаний.
 Чтобы решить эту проблему, мы создаем простой в использовании набор для роботов, который позволит любому человеку с любым опытом узнать о программировании и технологиях.
 Что такое GoPiGo? 
 GoPiGo — это основа GoBox. GoPiGo — это автомобиль-робот, который мы спроектировали и построили. Благодаря потрясающим отзывам, которые мы получили от тысяч пользователей и нашего процветающего творческого сообщества, мы узнали, как упростить сборку, сделать его более долговечным и сделать его более интересным в использовании! Все эти улучшения были внесены в GoPiGo3.
 Электроника и программирование 
 GoPiGo построен на основе действительно изящного одноплатного компьютера Raspberry Pi за 40 долларов. Он был разработан британским фондом несколько лет назад и покорил мир образования, благодаря чему молодым людям стало проще, чем когда-либо, получить электронику и научиться программировать. Ее легко использовать, и мы считаем, что это лучшая платформа для новичков, поскольку не требует каких-либо предварительных знаний.
 Узнайте больше о Raspberry Pi и некоммерческом фонде, который его поддерживает, здесь.
 GoBox и автомобиль-робот GoPiGo Raspberry Pi являются частью сообщества разработчиков оборудования с открытым исходным кодом.
 Языки программирования 
 GoBox отлично подходит для новичков, потому что все миссии находятся в Bloxter, нашем блочном языке, похожем на Scratch. Вы также можете запрограммировать робота GoPiGo на многих других языках, включая Python, Scratch, Node.js и Go. Наше замечательное сообщество даже разработало Windows10 для GoPiGo! Не знаете, что это за языки? Не волнуйтесь, GoBox поможет вам изучить основы!
 Когда мы рассмотрели, как сделать GoBox доступным и интересным для всех уровней навыков, мы решили использовать Bloxter, наш новый блочный язык, похожий на Scratch.
 Bloxter — это простой язык перетаскивания, который мы разработали для обучения новых программистов программированию. Вместо типичных строк кода вы будете использовать простые формы и графику для программирования своего робота.
 Почему ежемесячная подписка? 
  Это подарок, который не перестает дарить.  Ваш ежемесячный GoBox поставляется со всем необходимым для выполнения новой миссии, изучение которой продолжается месяц за месяцем.В большинстве миссий также есть датчик, который вы можете прикрепить к GoPiGo и использовать для выполнения миссии! Каждая миссия основывается на следующей, поэтому вы осваиваете новые навыки и продолжаете заниматься в течение определенного периода времени — что, по нашему мнению, является ключом к успеху!
 Что такое миссия? 
 Что может быть интереснее миссии? Наша команда иллюстраторов, учителей, инженеров и дизайнеров создает красивые и простые для понимания материалы, которые проведут вас через историю, которая поможет вам достичь чего-то интересного с вашим GoPiGo и каждым новым датчиком.
 Миссия 3, например, не только изучает концепции биомимикрии, но и делает это таким образом, что объясняет концепции программирования, такие как , если  и , еще инструкции , как роботы читают данные датчиков, такие концепции, как  пороговые значения,  и математические концепции, такие как средние значения .  и как они применяются к кодированию.
 Каждая миссия будет сопровождаться полезными видеороликами, которые помогут вам начать работу и проведут вас через определенные части миссии.
 Учимся в игре 
 Инженерные концепции 
 В каждой миссии заложены фундаментальные инженерные принципы. GoBox учит новым способам думать о том, как подходить к проблемам и решать их.
 Каждая миссия представляет проблему и предоставляет инструменты для решения проблемы по-своему. Наши миссии поощряют подход теории дизайна: сформулировать проблему, спроектировать, построить, написать код, протестировать и повторить.
 Это позволяет студентам находить свои собственные ответы и побуждает их придумывать свои собственные миссии!
 Концепции программирования: делая их осязаемыми. 
 С GoBox вы не просто играете с роботом, вы фактически изучаете концепции программирования, даже не чувствуя себя на уроке информатики. Робот делает весь процесс программирования и программирования осязаемым и реальным.
 Некоторые концепции, которым обучают в 12 миссиях GoBox, включают: структуру программы, операторы if then, навсегда до управляющих структур, переменные, циклы, вложенные циклы, ожидания, последовательность, конечный автомат, входы и выходы, широковещание, условные операторы, итерация, переменные, случайные числа, обработка событий, параллельное выполнение и логическая логика.
 Не знаете, что означают все эти термины? Нет проблем — это именно то, чему GoBox призван научить.
 Не просто игрушка… 
 Поскольку GoPiGo также можно программировать на Python, Go, Node.js и растущем списке других языков, поддерживаемых нашим сообществом, когда вы или ваш ребенок перерастете Bloxter, вас ждет целый мир мощных языков программирования! Кроме того, поскольку GoPiGo имеет открытый исходный код, наше активное сообщество постоянно добавляет новые примеры, языки и функции.
 Что входит в GoBox? 
  GoPiGo3 —  новая улучшенная версия GoPiGo! Вы получите совершенно новую версию робота GoPiGo для Raspberry Pi. Робот прост в сборке и превращает ваш Raspberry Pi в роботизированную машину! (работает со всеми версиями Raspberry Pi)
  Миссии —  Все миссии доступны через нашу онлайн-платформу Dexter Studio.
  Дополнительные припасы  — Каждая миссия будет сопровождаться дополнительными припасами, которые помогут вам добавить больше функций к вашему GoPiGo для выполнения миссий.
  GoPiGo Line Follower  — Датчик GoPiGo Line Follower помогает запрограммировать GoPiGo на поиск линий, написанных на поверхности, и следование им.
  Датчик света и цвета —  Датчик освещенности определяет различные уровни света вокруг GoPiGo и позволяет вам запрограммировать робота, чтобы он реагировал на эти показания любым способом, который вы выберете! Он также может определять разные цвета.
  Датчик звука —  Датчик звука считывает уровень шума вокруг GoPiGo и позволяет использовать эти данные, чтобы заставить GoPiGo реагировать на изменения шума.
  Датчик расстояния —  Датчик расстояния показывает, как далеко GoPiGo находится от твердого объекта. Его можно использовать для измерения расстояния до стены, человека или другого объекта.
  Зуммер —  Зуммер добавляет к GoPiGo звук и оповещения. Сделайте звук с помощью GoPiGo, чтобы отправить оповещение или напугать своих кошек!
  LED  — Светодиод добавляет подсветку вашему GoPiGo. Этот светодиод можно подключить к GoPiGo, чтобы добавить немного персонализации, помочь отладить программы и осветить комнату.
  Датчик движения —  Датчик движения обнаруживает движущиеся объекты вокруг GoPiGo.
  Кнопка —  Добавьте кнопку на свой GoPiGo. Вы можете подключить датчик кнопки к GoPiGo, чтобы дать команду роботу двигаться разными способами и делать разные вещи.
  Инфракрасный датчик и пульт дистанционного управления-  Отправляйте команды на GoPiGo с пульта дистанционного управления!
 Автоматический резак для коробок | CASi-IBOD | Cornerstone Automation Systems 
 CASi-IBOD (интеллектуальное устройство открывания ящиков) является краеугольным камнем решений CASI по автоматизации.CASi-IBOD — это встроенный проходной открыватель ящиков и открыватель ящиков с автоматической обрезкой ящиков для безопасного извлечения инвентаря. Интеграция автоматической резки коробок позволяет быстрее извлекать продукт за счет безопасного разрезания и извлечения предметов, устраняя необходимость использования резака человеком.
 Благодаря встроенному интеллектуальному устройству, измеряющему размер каждого поступающего ящика, в каждой ящике делаются точные надрезы. Коробки можно кормить в любом порядке, любого размера. CASi-IBOD повысит производительность, исключит травмы и сведет к минимуму повреждение продуктов, связанных с ручной резкой коробок.
 Как это работает 
 CASi-IBOD — это полностью автоматическая, самоподача и самоустанавливающаяся система. В системе используются фотооптические измерения и измерения линейного смещения для измерения каждой коробки. После того, как коробка определена по размеру, она автоматически захватывается и размещается для резки.
 Программируемое устройство перемещения преобразует предписанный шаблон резки для каждого размера коробки. Упоры для лезвий и коробчатый упор используются вместе, чтобы дать режущему роботу квадратную и неподвижную цель. Затем робот IBOD использует интеллектуальное программное обеспечение для автоматизации, чтобы разрезать коробки в соответствии с точными спецификациями, определенными заказчиком.
 Прочная конструкция 
 IBOD имеет прочную сварную стальную рамную конструкцию. Компоненты изготовлены из четырехдюймовой сварной стальной трубы с толстыми стальными панелями и ограждением. Передняя боковая панель и дверца доступа сделаны из акрила толщиной 0,70 дюйма для обеспечения жесткости и безопасности.
 Характеристики 
 Два варианта 
 IBOD Single способен разрезать верхние ящики со скоростью до 500 коробок в час.
 IBOD Duo способен открывать до 900 коробок в час.
 Три основные конфигурации резки 
 Крышка коробки
 Переднее окно подборщика
 Вырезы для уплотнения ленты
 Индивидуальный вырез может быть разработан по запросу
 Другие особенности 
 Интегрированная система измерения размеров
 Простой в использовании сенсорный экран Человек-машина Интерфейс (HMI)
 Интегрированная диагностика
 Выбор динамической схемы реза
 Динамически программируемая глубина реза
 Автоматический контроль износа лезвия
 Ловкая робототехника хочет перемещать коробки с палочками для еды 
 Способность принимать решения автономно — это не только то, что делает роботов полезными, но и то, что делает роботов  роботов .Мы ценим роботов за их способность чувствовать, что происходит вокруг них, принимать решения на основе этой информации, а затем предпринимать полезные действия без нашего участия. В прошлом роботизированный процесс принятия решений следовал четко структурированным правилам — если вы чувствуете это, то делайте то. В структурированной среде, такой как фабрики, это работает достаточно хорошо. Но в хаотичных, незнакомых или плохо определенных условиях зависимость от правил делает роботов заведомо плохо справляющимися со всем, что нельзя точно спрогнозировать и спланировать заранее.
  RoMan, наряду с  многими другими роботами, включая  домашних пылесосов, , беспилотные летательные аппараты и автономные автомобили, решает проблемы слабоструктурированной среды с помощью искусственных нейронных сетей — вычислительный подход, который слабо имитирует структуру нейронов в биологическом мозге. Около десяти лет назад искусственные нейронные сети начали применяться к широкому спектру полуструктурированных данных, которые раньше было очень трудно интерпретировать компьютерам, выполняющим программирование на основе правил (обычно называемое символическим мышлением).Вместо того, чтобы распознавать конкретные структуры данных, искусственная нейронная сеть способна распознавать шаблоны данных, идентифицируя новые данные, которые похожи (но не идентичны) на данные, с которыми сеть сталкивалась ранее. Действительно, часть привлекательности искусственных нейронных сетей заключается в том, что они обучаются на примере, позволяя сети принимать аннотированные данные и изучать свою собственную систему распознавания образов. Для нейронных сетей с несколькими уровнями абстракции этот метод называется глубоким обучением.
 Несмотря на то, что люди обычно участвуют в процессе обучения, и хотя искусственные нейронные сети были вдохновлены нейронными сетями в человеческом мозгу, способ распознавания образов в системе глубокого обучения принципиально отличается от того, как люди видят мир. Часто почти невозможно понять взаимосвязь между данными, вводимыми в систему, и интерпретацией данных, выводимых системой. И это различие — непрозрачность «черного ящика» глубокого обучения — представляет собой потенциальную проблему для таких роботов, как RoMan, и для лаборатории армейских исследований.
 В хаотических, незнакомых или плохо определенных условиях зависимость от правил делает роботов заведомо плохо справляющимися со всем, что нельзя точно спрогнозировать и спланировать заранее.
 Эта непрозрачность означает, что роботов, полагающихся на глубокое обучение, нужно использовать осторожно. Система глубокого обучения хороша в распознавании закономерностей, но ей не хватает понимания мира, которое человек обычно использует для принятия решений, поэтому такие системы лучше всего работают, когда их приложения четко определены и имеют узкую область применения.«Когда у вас есть хорошо структурированные входы и выходы, и вы можете заключить свою проблему в такие отношения, я думаю, что глубокое обучение очень хорошо работает», — говорит
Том Ховард, который руководит лабораторией робототехники и искусственного интеллекта Университета Рочестера и разработал алгоритмы взаимодействия на естественном языке для RoMan и других наземных роботов. «При программировании интеллектуального робота возникает вопрос, в каком практическом масштабе существуют эти строительные блоки для глубокого обучения?» Ховард объясняет, что когда вы применяете глубокое обучение к проблемам более высокого уровня, количество возможных входных данных становится очень большим, и решение проблем такого масштаба может быть сложной задачей.И потенциальные последствия неожиданного или необъяснимого поведения гораздо более значительны, когда это поведение проявляется в 170-килограммовом двуруком военном роботе.
  Спустя пару  минут Роман не двигался — он все еще сидит, размышляя о ветке дерева, раскинув руки, как богомол. В течение последних 10 лет альянс  Robotics Collaborative Technology Alliance  (RCTA) лаборатории армейских исследований работал с робототехниками из Университета Карнеги-Меллона, Университета штата Флорида, General Dynamics Land Systems, JPL, MIT, QinetiQ North America, Университета Центральной Флориды. , Пенсильванский университет и другие ведущие исследовательские институты для разработки автономных роботов для использования в будущих наземных боевых машинах.RoMan — одна из частей этого процесса.
 Задача «расчистить путь», над которой медленно обдумывает RoMan, трудна для робота, потому что задача настолько абстрактна. RoMan должен идентифицировать объекты, которые могут блокировать путь, рассуждать о физических свойствах этих объектов, выяснять, как их схватить и какую технику манипуляции лучше всего применить (например, толкать, тянуть или поднимать), а затем Сделай это. Это много шагов и много неизвестного для робота с ограниченным пониманием мира.
 В этом ограниченном понимании роботы ARL начинают отличаться от других роботов, которые полагаются на глубокое обучение, — говорит Итан Стамп, главный научный сотрудник программы AI для маневра и мобильности в ARL. «Армия может быть задействована практически в любой точке мира. У нас нет механизма для сбора данных во всех различных областях, в которых мы могли бы действовать. Мы можем быть размещены в каком-то неизвестном лесу на другой стороне world, но ожидается, что мы будем работать так же хорошо, как и на собственном заднем дворе », — говорит он.Большинство систем глубокого обучения надежно работают только в тех областях и средах, в которых они прошли обучение. Даже если домен представляет собой что-то вроде «каждой дороги в Сан-Франциско», с роботом все будет в порядке, потому что это уже собранный набор данных. Но, по словам Стампа, это не вариант для военных. Если армейская система глубокого обучения не работает должным образом, они не могут просто решить проблему путем сбора дополнительных данных.
 Роботы ARL также должны хорошо понимать, что они делают.«В стандартном порядке операций для миссии у вас есть цели, ограничения, параграф о намерениях командира — в основном рассказ о цели миссии — который предоставляет контекстную информацию, которую люди могут интерпретировать, и дает им структуру, когда им нужно чтобы принимать решения и когда им нужно импровизировать », — объясняет Стамп. Другими словами, РоМану может потребоваться быстро расчистить путь, или ему может потребоваться расчистить путь тихо, в зависимости от более широких целей миссии. Это большая просьба даже для самого продвинутого робота.«Я не могу придумать подход, основанный на глубоком обучении, который мог бы работать с такой информацией», — говорит Стамп.
 Пока я смотрю, RoMan сбрасывается для второй попытки удаления ветки. Подход ARL к автономности является модульным, где глубокое обучение сочетается с другими методами, а робот помогает ARL выяснить, какие задачи подходят для каких методов. В настоящее время RoMan тестирует два разных способа идентификации объектов по данным 3D-сенсора: подход UPenn основан на глубоком обучении, а Carnegie Mellon использует метод, называемый восприятием через поиск, который опирается на более традиционную базу данных 3D-моделей.Восприятие посредством поиска работает только в том случае, если вы заранее точно знаете, какие объекты ищете, но обучение проходит намного быстрее, поскольку вам нужна только одна модель для каждого объекта. Он также может быть более точным, когда восприятие объекта затруднено — например, если объект частично скрыт или перевернут. ARL тестирует эти стратегии, чтобы определить, какая из них наиболее универсальна и эффективна, позволяя им работать одновременно и конкурировать друг с другом.
  Восприятие — это одна из  вещей, в которых глубокое обучение стремится преуспеть.«Сообщество компьютерного зрения добилось сумасшедшего прогресса, используя глубокое обучение для этого», — говорит  Мэгги Вигнесс , ученый-компьютерщик из ARL. «Мы добились хороших результатов с некоторыми из этих моделей, которые были обучены в одной среде, обобщенной для новой среды, и мы намерены продолжать использовать глубокое обучение для такого рода задач, потому что это современное состояние».
 Модульный подход ARL может сочетать несколько методов таким образом, чтобы максимально использовать их сильные стороны.Например, система восприятия, которая использует зрение на основе глубокого обучения для классификации местности, может работать вместе с автономной системой вождения, основанной на подходе, называемом обучением с обратным подкреплением, где модель может быть быстро создана или уточнена на основе наблюдений людей-солдат. Традиционное обучение с подкреплением оптимизирует решение, основанное на установленных функциях вознаграждения, и часто применяется, когда вы не всегда уверены, как выглядит оптимальное поведение. Это меньше беспокоит армию, которая обычно может предположить, что хорошо обученные люди будут поблизости, чтобы показать роботу, как правильно действовать.«Когда мы запускаем этих роботов, все может измениться очень быстро», — говорит Вигнесс. «Поэтому нам нужна была техника, в которой мы могли бы вмешаться солдата, и с помощью всего лишь нескольких примеров от пользователя в полевых условиях, мы могли бы обновить систему, если нам понадобится новое поведение». По ее словам, метод глубокого обучения потребует «гораздо больше данных и времени».
 Глубокое обучение борется не только с проблемами нехватки данных и быстрой адаптацией. Есть также вопросы надежности, объяснимости и безопасности.«Эти вопросы не являются уникальными для военных, — говорит Стамп, — но они особенно важны, когда мы говорим о системах, которые могут включать летальность». Чтобы быть ясным, ARL в настоящее время не работает над летальными автономными системами оружия, но лаборатория помогает заложить основу для автономных систем в армии США в более широком смысле, что означает рассмотрение способов использования таких систем в будущем.
 Требования глубокой сети в значительной степени не соответствуют требованиям армейской миссии, и это проблема.
 По словам Стампа, безопасность является очевидным приоритетом, и все же нет четкого способа сделать систему глубокого обучения достоверно безопасной. «Глубокое обучение с ограничениями безопасности — это серьезное исследовательское усилие. Трудно добавить эти ограничения в систему, потому что вы не знаете, откуда взялись ограничения, уже существующие в системе. Поэтому, когда меняется миссия или меняется контекст, с этим трудно справиться. Это даже не вопрос данных, это вопрос архитектуры ». Модульная архитектура ARL, будь то модуль восприятия, использующий глубокое обучение, или автономный модуль вождения, использующий обучение с обратным подкреплением, или что-то еще, может формировать части более широкой автономной системы, которая включает в себя те виды безопасности и адаптивности, которые требуются военным.Другие модули в системе могут работать на более высоком уровне, используя другие методы, которые более поддаются проверке или объяснению и которые могут вмешаться, чтобы защитить всю систему от неблагоприятного непредсказуемого поведения. «Если появляется другая информация и меняет то, что нам нужно делать, существует иерархия», — говорит Стамп. «Все происходит рационально».
  Николас Рой , возглавляющий группу  Robust Robotics Group в Массачусетском технологическом институте  и называющий себя «в некотором роде подстрекателем сброда» из-за своего скептицизма по поводу некоторых утверждений о силе глубокого обучения, соглашается с робототехниками ARL, что Подходы с глубоким обучением часто не могут справиться с проблемами, к которым должна быть готова армия.«Армия всегда входит в новую среду, и противник всегда будет пытаться изменить среду, чтобы тренировочный процесс, через который прошли роботы, просто не соответствовал тому, что они видят», — говорит Рой. «Таким образом, требования глубокой сети в значительной степени не соответствуют требованиям армейской миссии, и это проблема».
 Рой, который работал над абстрактными рассуждениями для наземных роботов в рамках RCTA, подчеркивает, что глубокое обучение является полезной технологией в применении к проблемам с четкими функциональными взаимосвязями, но когда вы начинаете смотреть на абстрактные концепции, неясно, подходит ли глубокое обучение. жизнеспособный подход.«Мне очень интересно узнать, как нейронные сети и глубокое обучение могут быть скомпонованы таким образом, чтобы поддерживать рассуждения более высокого уровня», — говорит Рой. «Я думаю, что все сводится к идее объединения нескольких нейронных сетей низкого уровня для выражения концепций более высокого уровня, и я не верю, что мы пока понимаем, как это сделать». Рой приводит пример использования двух отдельных нейронных сетей: одна для обнаружения объектов, которые являются автомобилями, а другая — для обнаружения объектов красного цвета. Сложнее объединить эти две сети в одну большую сеть, которая обнаруживает красные машины, чем если бы вы использовали систему символических рассуждений, основанную на структурированных правилах с логическими отношениями.«Многие люди работают над этим, но я не видел настоящего успеха, который приводил бы к абстрактным рассуждениям подобного рода».
  В обозримом будущем  ARL заботится о безопасности и надежности своих автономных систем, удерживая людей как для рассуждений на более высоком уровне, так и для случайных советов на низком уровне. Люди могут не всегда быть в курсе событий, но идея состоит в том, что люди и роботы более эффективны при совместной работе в команде. По словам Стампа, когда в 2009 году началась последняя фаза программы Robotics Collaborative Technology Alliance, «мы уже много лет прожили в Ираке и Афганистане, где роботы часто использовались в качестве инструментов.Мы пытались выяснить, что мы можем сделать, чтобы превратить роботов от инструментов к тому, чтобы они больше действовали как товарищи по команде в отряде ».
 RoMan получает небольшую помощь, когда человек-руководитель указывает область ветви, где хватание может быть наиболее эффективным. Робот не имеет никаких фундаментальных знаний о том, что на самом деле представляет собой ветвь дерева, и это отсутствие знаний о мире (то, что мы считаем здравым смыслом) является фундаментальной проблемой для автономных систем всех видов. Если человек использует наш обширный опыт в небольшом количестве рекомендаций, это может значительно облегчить работу RoMan.И действительно, на этот раз РоМану удается успешно схватить ветку и с шумом протащить ее через комнату.
 Превратить робота в хорошего товарища по команде может быть сложно, потому что бывает сложно найти нужную автономию. Слишком мало, и для управления одним роботом потребуется большая часть или все внимание одного человека, что может быть уместно в особых ситуациях, таких как обезвреживание боеприпасов, но в остальном неэффективно. Слишком большая автономия — и у вас начнутся проблемы с доверием, безопасностью и объяснимостью.
 «Я думаю, что уровень, который мы здесь ищем, — это чтобы роботы работали на уровне рабочих собак», — объясняет Стамп. «Они точно понимают, что нам нужно, чтобы они делали в ограниченных обстоятельствах, у них есть небольшая гибкость и творческий подход, если они столкнутся с новыми обстоятельствами, но мы не ожидаем, что они будут творчески решать проблемы. И если им понадобится помощь , они нападают на нас «.
  RoMan вряд ли  обнаружит себя в полевых условиях на миссии в ближайшее время, даже в составе команды с людьми.Это во многом исследовательская платформа. Но программное обеспечение, разрабатываемое для RoMan и других роботов в ARL, под названием  Adaptive Planner Parameter Learning (APPL) , вероятно, будет сначала использоваться в автономном вождении, а затем в более сложных роботизированных системах, которые могут включать в себя мобильные манипуляторы, такие как RoMan. APPL сочетает в себе различные методы машинного обучения (включая обучение с обратным подкреплением и глубокое обучение), иерархически организованные под классическими автономными навигационными системами. Это позволяет применять цели и ограничения высокого уровня поверх программирования более низкого уровня.Люди могут использовать дистанционно управляемые демонстрации, корректирующие вмешательства и оценочную обратную связь, чтобы помочь роботам адаптироваться к новой среде, в то время как роботы могут использовать неконтролируемое обучение с подкреплением для корректировки своих параметров поведения на лету. Результатом является автономная система, которая может пользоваться многими преимуществами машинного обучения, а также обеспечивать безопасность и объяснимость, необходимые армии. С APPL система, основанная на обучении, такая как RoMan, может работать предсказуемым образом даже в условиях неопределенности, прибегая к настройке или демонстрации человеком, если она попадает в среду, которая слишком отличается от той, в которой она обучалась.
 Заманчиво посмотреть на быстрый прогресс коммерческих и промышленных автономных систем (автономные автомобили — лишь один из примеров) и задаться вопросом, почему армия, кажется, несколько отстает от современного уровня техники. Но, как Стамп обнаруживает, что вынужден объяснять армейским генералам, когда дело доходит до автономных систем, «существует множество серьезных проблем, но тяжелые проблемы промышленности отличаются от серьезных проблем армии». Армия не может позволить себе роскошь управлять своими роботами в структурированной среде с большим количеством данных, поэтому ARL приложила так много усилий для APPL и сохранения места для людей.В будущем люди, вероятно, останутся ключевой частью автономной структуры, разрабатываемой ARL. «Это то, что мы пытаемся создать с помощью наших робототехнических систем», — говорит Стамп. «Это наш стикер на бампере:« От инструментов к товарищам по команде ». »
  Эта статья появится в выпуске для печати за октябрь 2021 года как «Deep Learning Goes to Boot Camp  ».