E-ticaret, genişlemeye ve yeni seviyelere ulaşmaya devam ediyor. Çok büyük hacimli ve çeşitli siparişleri hızlı bir şekilde yerine getirmek için; Amazon, Walmart ve Alibaba gibi şirketler, büyük oranda yeni depolara yatırım yapıyor. İş yükünü azaltmak için; birçok şirket robotları düşünüyor.
Kaliforniya Üniversitesi’ndeki mühendisler; çeşitli nesne şekillerini eğitim almadan kavramak için, “amaca uygun” bir yaklaşım sergiliyorlar.
UC Berkeley Araştırmacı Jeff Mahler: “Herhangi bir kıskaç; tüm nesneleri idare edemiyor. Örneğin; bir vantuz, giysi ve paralel ağızlı tutucular gibi gözenekli nesneler üzerinde bir conta oluşturamaz, bu yüzden bazı aletlerin ve oyuncakların her iki tarafına da erişemeyebilir.”
Çoğu e-ticaret gerçekleştirme merkezinde kullanılan robotik sistemler; kavrayabilecekleri nesne aralığını sınırlayabilen vakumlu tutuculara dayanır. UC Berkeley makalesi; çeşitli tutucu tipleriyle uyumlu, “çok yönlü” bir yaklaşım sunar. Yaklaşım; her bir tutucunun başarılı olma olasılığını ölçen her tutucu tipi için ortak bir “ödül işlevi” ne dayanmaktadır. Bu, sistemin her durum için hangi tutucuyu kullanacağına hızlıca karar vermesini sağlar.
Amaç; her bir tutucu türü için, bir “ödül” işlevini etkin bir şekilde hesaplamaktır. Çalışma; yapılandırılmış alan rasgele randomizasyonu ve sensörlerin analitik modelleri ile her bir tutucunun fiziği ve geometrisi kullanılarak; hızlı bir şekilde oluşturulan, büyük sentetik veri kümeleri üzerinde eğitim alıp, ödül işlevlerini öğrenmek için bir işlemi açıklar.
Araştırmacıların; işlemde kullandıkları ödül; iki kollu bir robot üzerinde paralel ağzı olan bir tutucu (kıskaç) ve bir vantuz tutucu için işlev görür. Sistemlerinde %95 ile daha önce hiç görülmemiş nesnelerle saatte 300’den fazla nesne seçtiği görüldü. Bu oranda 25 adet kutunun boşaldığı tespit edildi.
