DS200TCQAG1BPR1

DS200TCQAG1BPR1

DS200TCQAG1BPR1

鑒于深度強化學(xué)習(xí)的各種問題，PieterAbbeel在UCBerkeley的同事KenGoldberg，則采用了叫做DexterityNetwork（Dex-Net）的研究思路。首先通過傳統(tǒng)機器人學(xué)中分析受力和建模的思路，建立一個包含大量數(shù)據(jù)的數(shù)據(jù)集，這個數(shù)據(jù)集里的每一項數(shù)據(jù)包含一個物體的模型和這個物體在不同姿態(tài)下可以被穩(wěn)定抓起來的施力方式，這些施力方式是通過物體模型計算出來的。有了數(shù)據(jù)之后，用這些數(shù)據(jù)訓(xùn)練一個神經(jīng)網(wǎng)絡(luò)。然后給出一個新物體，通過神經(jīng)網(wǎng)絡(luò)判斷這個物體和數(shù)據(jù)集里哪個物體相似，然后根據(jù)相似的物體的數(shù)據(jù)集里包含的施力方式計算出這個新物體的穩(wěn)定施力方式。

KenGoldberg的方案的一個重要弊端，是計算量過于龐大。整個算法占用了Google云服務(wù)器上的1500臺虛擬機的計算量。此方法也讓“云機器人”這個概念受到了關(guān)注。

目前PieterAbbeel和KenGoldberg的兩種方法還處于學(xué)術(shù)爭議階段，新的研究成果還在不斷出現(xiàn)，也還有很多問題沒有解決，尤其是穩(wěn)定性和魯棒性是各方爭議的焦點。不同于語音識別音箱出了錯，無非是鬧個笑話，機器人系統(tǒng)對穩(wěn)定性和可靠性的要求非常高，系統(tǒng)一旦出錯，輕則毀物，重則造成人類的生命危險。PieterAbbeel也承認(rèn)目前還沒考慮魯棒性和穩(wěn)定性問題，似乎整體還沒達到商用產(chǎn)品級。

總體而言，以強化學(xué)習(xí)為代表，AI在機器人控制領(lǐng)域近兩年取得了一些進展，尤其是在過去研究方法難以突破的環(huán)境交互問題方面取得了進展。但基于神經(jīng)網(wǎng)絡(luò)的控制系統(tǒng)，在魯棒性等方面短期似乎難以得到解決，因此離實際應(yīng)用還有很遠的距離。在多種研究方法的共同努力下，我們也期待機器人控制問題能夠早日有所突破。

Bussmann 170M6196/6197/6198/6199/6200/6201

Bussmann 170M6008/6009/6011/6014/6015

Bussmann 170M5460 500A 690V aR 170M5458/5459/5461

Bussmann 170M1422 315A 690V aR 170M1419/1420/1421

Bussmann 170M6466 1250A 690V 170M6461/6462/6463/6464

Bussmann 50LET

Bussmann 170M2038 250A 1200VDC 170M2027~2033~2038

Bussmann / 170M5881/5882/5883/5884/5885/5886/5887/5888/5889

Bussmann BAO40 40A/50A 550V AC BS88 gG

170M4176/4177/4178/4179/4180/4181/4182/4183/4184/4185/4186

Bussmann OSD100

Bussmann 120EFMA63 / 24THMEJ63

Bussmann 170M3810D

Bussmann FWH-1200A

Bussmann 170M6204 550A

Bussmann 170M4461

Bussmann 170H1007/3003/4/5/6

Bussmann JJS-60 JJS35/40/45/50

Bussmann 170M1565D

Bussmann/ 170E9187 630A1400V aR 170E3914~2922 170E8882~8888

Bussmann 170M5989