NEC研发出一种新的控制技术,能够在保证高度安全性的同时,将机器人在仓库的搬运作业效率提高2倍。该技术将于2023年实际应用,并计划搭载在NEC的协作搬运机器人(注)上。
NEC研发的搬运机器人控制技术概要
近年来,因人手不足和仓库大型化等原因,在搬运作业领域引入机器人的进程正在加速。然而到目前为止,虽然为实现搬运作业自动化而引入机器人,但为了确保安全性,必须控制其行驶速度,搬运效率成为课题,并不能为生产率的提高提供助力。另一方面,如提高行驶速度,为了确保安全,就需要设置搬运机器人专用通道和区域,因此很难导入到现存仓库中。
此次,NEC开发了依照安全风险来控制机器人的风险敏感概率控制技术,该技术使用了可展现机器人控制中的不确定因素(如传感器的测量误差、模拟测试的结果与机器人实际运动的差值等)的模型,以及数理金融的技巧。
依靠该技术,机器人能够自主判断行进路线及速度。在没有作业者或地面没有物品等障碍物的低风险场所,机器人将以最短距离高速行驶;而在风险较高的场所,机器人将选择可以精准避开障碍物的路线低速行驶。经对比发现,使用此技术的机器人与以往的机器人在搬运作业时,作业时间减少了一半,在确保安全性的同时可以将搬运效率提高2倍。另外,即使不设置机器人专用区域也能实现安全性和高效性,因此现有仓库也可以使用。
NEC今后将通过作业现场的实证实验进一步推进技术研发,以期早日将此技术应用于协作搬运机器人上。
(注) 2021年12月17日发布:
NEC研发出利用下一代自动搬运机器人来提高物流仓库出入库作业效率的解决方案:https://jpn.nec.com/press/202112/20211217_02.html (日语)
使用NEC协作搬运机器人的解决方案:
https://jpn.nec.com/arc/index.html (日语)
<关于用于控制搬运机器人的风险敏感概率控制技术>
好文章,需要你的鼓励
这项研究由浙江大学、复旦大学等机构联合完成,提出了ReVisual-R1模型,通过创新的三阶段训练方法显著提升了多模态大语言模型的推理能力。研究发现优化的纯文本冷启动训练、解决强化学习中的梯度停滞问题、以及分阶段训练策略是关键因素。ReVisual-R1在各类推理基准测试中超越了现有开源模型,甚至在某些任务上超过了商业模型,为多模态推理研究开辟了新途径。
这项研究提出了一种名为"批评式微调"的创新方法,证明仅使用一个问题的批评数据就能显著提升大语言模型的推理能力。研究团队对Qwen和Llama系列模型进行实验,发现这种方法在数学和逻辑推理任务上都取得了显著提升,平均提高15-16个百分点,而且只需要强化学习方法1/20的计算资源。这种简单高效的方法为释放预训练模型的潜在推理能力提供了新途径。
新加坡国立大学研究团队开发了名为IEAP的图像编辑框架,它通过将复杂编辑指令分解为简单原子操作序列解决了当前AI图像编辑的核心难题。研究发现当前模型在处理不改变图像布局的简单编辑时表现出色,但在需要改变图像结构时效果差。IEAP框架定义了五种基本操作,并利用思维链推理技术智能分解用户指令,实验证明其性能显著超越现有方法,尤其在处理复杂多步骤编辑时。
Character AI的研究者开发出TalkingMachines系统,通过自回归扩散模型实现实时音频驱动视频生成。研究将预训练视频模型转变为能进行FaceTime风格对话的虚拟形象系统。核心创新包括:将18B参数的图像到视频DiT模型改造为音频驱动系统、通过蒸馏实现无错误累积的无限长视频生成、优化工程设计降低延迟。系统可让多种风格的虚拟角色与人进行自然对话,嘴型与语音同步,为实时数字人交互技术开辟了新可能。