Ко дню робототехники, который отмечается сегодня, 7 февраля, мы попросили представителей НАУРР, Университета Иннополис, ABB в России, Promobot, «Роббо» и др. рассказать о состоянии рынка, его тенденциях и потребностях, а также о наиболее развитых направлениях робототехники в России и кадровых вопросах.

Подробнее об этом читайте на нашем сайте →

Робот с ИИ делает прокол вены под контролем ультразвука

Команда исследователей из Университета Ратгерса в Нью-Джерси сообщила о начале клинических испытаний роботизированной системы для забора крови у пациентов.

Об этой разработке мы писали пару лет назад. Тогда она была на стадии прототипа, и её демонстрировали на муляже – искусственной руке с имитирующими сосуды трубочками, заполненными кровезаменителем.

Сейчас завершилась серия испытаний с участием реальных пациентов, и результаты оказались многообещающими. В группе из 25 добровольцев робот успешно взял образец крови у 24.

Формально процент успеха получился 96%, что превосходит показатели эффективности медсестёр, но стоит учесть эффект малой выборки и её слабой рандомизации. Людей отобрали схожего телосложения и возраста. У всех 25 вены были легкодоступны для пункции.

В другом тесте с участием 31 добровольца, процент успешности составил уже 87%. Исследователи утверждают, что (по их собственным данным) при отсутствии видимых вен медицинский персонал способен взять кровь только в 73% случаев.

Проблемы с забором крови возникают при глубоком расположении вен и их слабом наполнении. Медсестра в таком случае может просто выбрать другую вену, а робот пока обучен использовать только поверхностные вены руки.

Зато в нём используется система ультразвуковой визуализации, которая помогает найти ближайшую крупную вену (чаще всего – медиальную) и выполнить её пункцию без участия человека.

В ходе клинических испытаний были получены данные, которые разработчики планируют использовать для обучения подсистемы ИИ робота. В будущем наряду с получением образцов крови, такой робот может также использоваться в процедурах, требующих внутривенной катетеризации.

Источник: https://news.rutgers.edu/new-robot-does-superior-job-sampling-blood/20200204

фото: Unnati Chauhan / Rutgers University

Roborigger сделает погрузку безопаснее

Австралийская компания Roborigger выиграла три приза в конкурсе «Новатор года» и получила $5 млн инвестиций от фонда Blackbird Ventures. Их представителей покорил робот для подъёмного крана, который заменяет от 2 до 4 рабочих.

Роботизированный подвес Roborigger серии ARM выпускается с грузоподъёмностью 5, 10, 15 и 20 тонн. Его применение решает сразу две задачи: точное позиционирование груза и автоматический сбор детальной статистики погрузочных работ.

Обычно на финальном этапе погрузки оператор крана удерживает груз над местом его установки (например, над платформой), а рабочие используют канаты, чтобы повернуть подвешенную конструкцию на нужный угол.

Это опасная и тяжёлая операция, съедающая уйму времени, особенно когда речь идёт о прямоугольных контейнерах или стальных опорах. Roborigger выполняет эту задачу быстро и ценой минимальных усилий.

Оператор управляет им дистанционно, находясь в безопасности. Он может дополнительно наблюдать за ходом погрузки со стороны стрелы подъёмного крана благодаря встроенной камере Roborigger. На пульте всего 8 кнопок и два тумблера, поэтому с ним легко разберётся даже новичок.

Встроенное программное обеспечение собирает данные от каждого подъема, включая время, температуру мотора, массу, начальное и конечное местоположение всех грузов. Пользователи могут получить доступ к этой статистике через веб-интерфейс.

«Это отличный пример использования роботов для повышения безопасности тяжёлых работ. У Roborigger есть возможность стать стандартом де-факто по всему миру», – сказал Рик Бейкер, соучредитель Blackbird Ventures.

Видео: https://youtu.be/X6JWzPnxthw

Источник: https://www.brisbanetimes.com.au/business/companies/winning-ways-continue-for-wa-robot-crane-after-5-million-cash-injection-20200210-p53zhq.html

Как обучить нейросеть на ноутбуке?
Готовим миллиард сэмплов за 5 минут!

Важнейший этап машинного обучения (ML) – подготовка данных. Их нужно собрать, привести к единому формату, отфильтровать и проверить прежде, чем передать на вход нейросети.

Такая подготовка может растянуться на неопределённое время, поскольку даже среди специалистов по ML единицы владеют современными инструментами обработки больших данных.

Тысячу строк ещё можно «причесать» в Excel, а вот если их миллионы – требуется принципиально другой подход из области Big data.

В статье для TowardsDataScience cтарший специалист по обработке данных в XebiaLabs и соучредитель vaex.io Йован Веляноски (Jovan Veljanoski) показывает на реальном примере, как можно быстро обучить нейросеть на сырой выборке из миллиарда образцов.

Для этого используется обычный ноутбук без каких-либо нейропроцессоров и других специализированных ускорителей. Звучит как фантастика? Вовсе нет, всё дело в рациональном использовании ресурсов.

Перед Йованом была поставлена задача: создать алгоритм ML, предсказывающий продолжительность поездки в такси для оптимизации работы автопарка. Из публичной базы он взял данные обо всех поездках в Нью-Йорке за семилетний период и сохранил их в одну таблицу.

Размер файла получился более 100 Гб, а количество строк в таблице превысило один миллиард. Ни одна программа не способна обработать такой массив за разумное время (а большинство даже не в состоянии открыть).

Проблема в том, что традиционные приложения создают временные файлы и преобразуют все данные в свой формат, затрачивая на это уйму ресурсов. Поэтому Йован использовал нетривиальный инструмент с открытым исходным кодом: Vaex - библиотеку DataFrame на Python.

Vaex использует memory mapping (динамическое отображение блоков данных в ОЗУ), за счёт чего открывает огромные файлы мгновенно. Трансляция ссылок на блоки данных не требует физического выделения дополнительной памяти до тех пор, пока данные не подвергались модификации. При этом добавление и удаление целых столбцов также происходит за доли секунды, поскольку это виртуальные операции со ссылками, а не запись новых файлов.

Йован применил серию фильтров для удаления отменённых поездок и неполных данных, после чего сразу получил готовую подборку для обучения нейросети из 812 816 595 образцов.

Интересно, что время поездки в ней не хранилось статично в отдельном столбце, а динамически вычислялось как разница между временными штампами окончания и начала заказа. Аналогично рассчитывалось расстояние, поэтому даже при обработке 100-гигабайтного файла требования к объёму ОЗУ и накопителя оставались весьма скромными.

Вся подготовительная работа заняла около пяти минут чистого времени, а дальше началась исследовательская часть. Йован пробовал разные методы группировки, выделял отдельные направления поездок и неизменно получал быстрый результат.

Источник: https://towardsdatascience.com/ml-impossible-train-a-1-billion-sample-model-in-20-minutes-with-vaex-and-scikit-learn-on-your-9e2968e6f385

Иран представил продвинутого гуманоидного робота

В Центре передовых систем и технологий (CAST) Тегеранского университета создали гуманоидного робота Surena IV. По уровню сложности его можно сравнить с Asimo (Honda) и Hubo (KAIST).

Серия «Сурена» (в переводе с персидского – «героический») началась 12 лет назад с довольно примитивной модели, даже не способной ходить. Однако постепенно к её доработке подключилось более 50 специалистов, и дело пошло.

Команда из полусотни исследователей во главе с профессором кафедры машиностроения доктором Агилом Юсефи-Комой представила движущегося робота Surena II в 2010 году.

При росте 145 см он обладал 22 степенями свободы и передвигался подобно игрушечному роботу на колёсиках в подошве. Делал он это настолько медленно, что демонстрацию походки в записи приходилось ускорять в 8-10 раз.

Surena III дебютировал в 2015 году и для своего времени выглядел впечатляюще. Рост увеличился до 198 см, масса составила 98 кг, а число степеней свободы расширили до 31. Основной проблемой оставалась низкая скорость – всего 8-9 см/с.

Новая модель Surena IV стала вдвое быстрее 19 см/с, гораздо «умнее» и при этом – компактнее: 170 см и 68 кг. Теперь у неё 43 степени свободы, что делает её движения более плавными и человеческими.

Четвёртая «Сурена» умеет подниматься и спускаться по ступенькам, ходить прямо, боком и спиной вперёд, огибать препятствия и держать баланс в сложных условиях.

В ней используется инерциальный измерительный блок (IMU) и контроллер на базе программируемых вентильных матриц (FPGA), постоянно отслеживающий положение всего тела.

Частота контура управления составляет 200 Гц, поэтому робот быстро реагирует на угрозу падения. Surena IV успешно прошла испытания, сохранив равновесие на склонах с уклоном до 10°.

Модуль искусственного интеллекта позволяет ей быстро приспосабливаться к изменяющимся условиям. Например, она может аккуратно взять и бросить мячи разного диаметра, написать своё имя на разных поверхностях, огибать препятствия, распознавать лица и речь.

В манипуляторах используется обратная связь на основе тензорных датчиков, за счёт которой «Сурена IV» обладает развитой мелкой моторикой. Одной рукой она управляется с предметами сложной формы массой до 200 г.

«Улучшение взаимодействия робота с окружающей средой было одной из основных целей проекта Surena IV», – говорит профессор Юсефи-Кома.

Работает «Сурена IV» под управлением ROS (Robot Operating System), распространяемой по лицензии BSD.

Источник: https://spectrum.ieee.org/automaton/robotics/humanoids/iran-surena-iv-humanoid-robot

ИИ в сельском хозяйстве: от цветочков до ягодок

Costa Group начала развертывание системы искусственного интеллекта для повышения урожайности ягодных растений. До неё никто в отрасли этого не делал (во всяком случае – успешно).

Являясь одним из крупнейших поставщиков овощной и ягодной продукции в Австралии, компания постоянно ищет способы заключать контракты на более выгодных условиях. Для этого нужно заранее прогнозировать урожайность, но классические методы оценки дают большой разброс.

Низкая урожайность выливается в срывы поставок, а высокая приводит к вынужденному демпингу – оба варианта вредят компании, влияя не только на объём выручки, но и на репутацию. Поэтому Costa Group попыталась использовать ИИ там, где никто не решался – для оптимизации выращивания различных ягодных культур.

Ранее подобные системы использовались для прогнозирования урожайности салата, шпината и различных овощей. С этим не было проблем. Затем ИИ модифицировали для винодельческих предприятий, и это тоже не заняло много времени. Однако его настройка для мониторинга ягодных кустов оказалась очень сложной задачей.

В отличие от других сельхоз культур, при выращивании ягод вы не просто собираете урожай раз в год. Ягодные растения постоянно плодоносят в течение сезона. На одном кусте всегда есть ягоды разной степени зрелости, а расчёт общей урожайности – это решение сложной системы уравнений для нелинейных процессов, где даже в грубых моделях используется полтора десятка переменных.

У Costa Group нейросеть получает данные от множества датчиков, объединённых IoT-платформой Sensing+. Она была разработана сиднейской компанией The Yield для мониторинга в реальном времени.

Сенсоры непрерывно измеряют 14 параметров, влияющие на развитие растений. Это температура почвы и воздуха, PH и степень минерализации воды для полива, влажность верхних и глубоких слоёв грунта, скорость движения воздуха, уровень освещённости, УФ-индекс и другие показатели.

Они объединяются с существующими наборами данных, совместно используемых Costa. По ним ИИ автоматически строит модели развития каждого растения в теплице и постоянно уточняет их, сравнивая собственные прогнозы с новыми объективными данными. В итоге он подсказывает, каким кустам требуется скорректировать условия роста, и даёт очень точную оценку общей урожайности.

«Мы в буквальном смысле описываем эту систему как математического робота. Он эффективно обрабатывает данные и самостоятельно выбирает наиболее важные наборы функций», – пояснил основатель Yield и управляющий директор Рос Харви.

Первые системы ИИ на базе Sensing+ были недавно установлены в восьми теплицах для выращивания ягод на фермах Costa Group в Новом Южном Уэльсе, Квинсленде и Тасмании.

«Фактически, мы создали локальную метеорологическую службу в тепличном хозяйстве. Она работает в сети, что делает её доступной на стационарных и мобильных устройств. Это открывает целый ряд новых возможностей, оптимизируя посадку, ирригацию, подкормку, защиту растений и сбор урожая», – сказал Харви.

Используя ИИ, Costa Group заранее определяет урожайность и доходность каждого участка. Это позволяет оптимизировать логистику и заключить с поставщиками фьючерсные контракты с минимальным риском.

Источник: https://www.zdnet.com/article/costa-group-turns-to-ai-maths-robot-to-improve-berry-yield-predictions/

Роботизированная микрохирургия стала субмиллиметровой

Благодаря новому роботу, впервые в истории медицины удалось соединить сосуды диаметром от 0,3 до 0,8 мм. Операцию выполнила команда пластических хирургов совместно с техническими специалистами из Маастрихта (университетский городок на юге Нидерландов).

Уникальная операция была проведена для устранения лимфостаза, развившегося у пациентки как осложнение рака молочной железы. В ней был задействован робот MUSA, изготовленный в Microsure – компании, основанной сотрудниками Эйндховенского технологического университета.

До сих пор процедура LVA (лимфовенозного анастомоза) выполнялась только на крупных сосудах, поскольку ни один хирург не может обеспечить субмиллиметровую точность движений.

Попробуйте удержать фотоаппарат на вытянутой руке, и вы увидите медленное раскачивание. После длительных тренировок оно уменьшится, но не исчезнет полностью. В последние годы с ним борются при помощи гироскопической стабилизации. Этот метод и был взят на вооружение в микрохирургии.

Робот MUSE – это комбинация гироскопа и высокоточных актуаторов с интеллектуальным управлением. Он сглаживает дрожание рук и словно масштабирует движения хирурга.

Проще говоря, чтобы выполнить разрез длиной в миллиметр, нужно переместить руку на несколько сантиметров. Движения с меньшей амплитудой отбрасываются как шум.

Пилотное исследование показало, что уже сегодня MUSE можно использовать для операций на мельчайших сосудах диаметром от 0,3 мм. Это позволяет выполнять хирургическое лечение с невероятной точностью, в разы ускоряет реабилитацию после травм и выводит трансплантологию на новый уровень.

Источник: https://www.nature.com/articles/s41467-019-14188-w

XMOS добавит интеллект в любой датчик

Британская компания XMOS разработала xcore.ai – энергоэффективный процессор третьего поколения для ускорения задач искусственного интеллекта в устройствах класса «интернет вещей» (IoT).

Технически это многоядерный чип RISC-архитектуры, сочетающий в себе возможности цифровой обработки сигналов (DSP) и контроллера ввода/вывода (I/O) с интеллектуальным управлением.

В нём используется встроенная память типа SRAM (2 x 512 КБ), которая в зависимости от задачи расширяется внешними модулями стандарта LPDDR до нужного объёма. Чип оснащён 128 портами ввода-вывода общего назначения (GPIO), встроенным контроллером USB и поддерживает интерфейс MIPI.

Xcore.ai работает на частоте до 800 МГц. За одну секунду он выполняет до 38 миллиардов векторных операций и до одного миллиона 512-точечных БПФ (быстрых преобразований Фурье).

Помимо векторных, в нём аппаратно ускоряются и другие операции, часто используемые в искусственных нейронных сетях: пакетная нормализация и выпрямленная линейная функция активации (ReLU).

На практике Xcore.ai – это интересная попытка добавить функционал различным датчикам и перенести обработку сигнала ближе к его источнику – очередной виток развития концепции Edge-computing.

Например, за счёт Xcore.ai можно добавить функцию распознавания лиц в электронный замок, или сделать видеонаблюдение действительно интеллектуальным.

Современные IP-камеры потребляют от 5 до 20 Вт и транслируют видео на невысокой частоте, поскольку используют процессоры общего назначения. Им требуется питание от сети, а вся продвинутая обработка изображения выполняется на внешних устройствах.

Камера со встроенным Xcore.ai станет более автономной. Она сможет самостоятельно реализовать алгоритмы обнаружения движения, распознавания лиц и номеров, при этом потребляя меньше энергии.

За счёт быстрого DSP интеллектуальная камера будет успевать записывать видео на более высокой скорости, а высокая энергоэффективность позволит организовать компактный источник аварийного питания.

Источник: xcore.ai

Компания предоставляет подробности по запросу, но вот вам прямая ссылка для экономии времени.

Бесплатный курс «Основы устройства беспилотных автомобилей»

Компания Baidu (китайский аналог Google) делает ставку на массовое производство беспилотных транспортных средств, чьи правила передвижения задаются виртуальными геозонами.

Она развивает это направление как отрытую платформу Apollo, впервые представленную на CES 2018, и предлагает всем желающим изучать её бесплатно.

Сейчас Apollo выросла до версии 5.5, а познакомиться с ней стало проще. Вместе с частной образовательной организацией Udacity в Baidu подготовили доступный курс для начинающих.

Вы можете приступить к его изучению без каких-либо навыков программирования и углубленной математической подготовки – достаточно базовых школьных знаний.

Курс ведут десять специалистов, среди которых основатель Udacity Себастьян Трун, Старший директор по разработке платформы Apollo Цзинао Ван и главный архитектор CarOS Нин Цюй.

Вы узнаете, как устроены ключевые компоненты системы автопилота, познакомитесь с подходами к упреждающему расчёту траекторий транспортных средств, изучите работу с картами высокой плотности и познакомитесь с архитектурой Apollo.

Все задачи и подходы к их решению разбираются на примере актуальной версии быстро развивающейся платформы Apollo и комментируются её разработчиками.

После успешного завершения курса вам будут предложены варианты дальнейшего обучения, где вы сможете углубить свои знания и начать карьеру разработчика интеллектуальных систем беспилотного транспорта.

Записаться на курс можно здесь.

В 2018 году на Netflix вышел первый эпизод сериала Altered Carbon. Сейчас снимают второй. Идея фильма не нова (трансфер сознания в другое тело), но подана красиво.

Инопланетные технологии позволили создать стек – компактный носитель личности человека, который после смерти переносится в VR или в другую оболочку – например, синтетическое, или восстановленное тело.

Разработчики стека мечтали устроить космическую экспансию, главным сдерживающим фактором которой была продолжительность жизни экипажа звездолёта. Раз она больше не имеет значения, то можно отправиться к далёким мирам, перерождаясь по пути и сохраняя все воспоминания.

Однако у власть имущих были другие виды на новую технологию. Личное бессмертие и тотальный контроль их интересовали гораздо больше туманных перспектив колонизации экзопланет.

Стек усугубил социальное неравенство, появились противники сложившегося общественного строя - инвои, что и стало завязкой сюжета.

Разумеется, в этой истории приходится сделать много фантастических допущений. Например, в фильме стек размещается в основании черепа, но чисто анатомически там негде имплантировать столь крупный девайс. Есть и менее явные несоответствия, но с первой серии сюжет настолько интригует, что постепенно абстрагируешься от них.

Больше всего мне понравился образ По – владельца ИИ-отеля «Ворон». Крис Коннер блестяще сыграл искусственный интеллект, увлечённо изучающий людей и обладающий навыками психохирургии. Часто его поведение было более человечным, чем у посетителей и постояльцев отеля. Единственный персонаж, которого мне было действительно жаль.

Брутальный шведский актёр Чарльз Джоэл Нордстрём (играющий под псевдонимом Джоэл Киннаман) отлично подошёл на роль «оболочки» инвоя Такеши Ковача и Райкера – бывшего офицера полиции. Настоящий викинг, в отличие от марвелловского Тора.

Лоуренс Бэнкрофт в исполнении Джеймса Пьюрфоя ровно такой, каким и должен быть скучающий демиург. Имея безграничные финансовые возможности, он пытается понять: остались ли у него хоть какие-то внутренние барьеры, или он всё-таки переступил ту последнюю черту, которую сам себе обозначил в попытке остаться человеком.

Кристин Леман убедительно сыграла светскую львицу Мириам Бэнкрофт, но её поведение по сюжету довольно странное. Она ведёт себя неосмотрительно, лично участвует в грязных делах, а затем предлагает запредельно щедрые отступные за прекращение расследования.

Всё ждал увидеть на ней татуировку «Prime Suspect», но тут возникла ещё одна неувязка: женщина с ярко выраженной сексуальной доминантой и безграничными финансами предпочитает соблазнять феромонами вместо того, чтобы перенести свой стек в более привлекательную оболочку.

Визуальный ряд в сериале выглядит как манифест натуристов, и этим он похож на West World. Отношение к телу здесь такое же.

Квеллкрист Фальконер в исполнении Рене Голдсберри получилась сверхчеловеком. Актриса хороша, но я не мог отделаться от мысли, что ей дали эту роль из соображений политкорректности. Просто был нужен образ чёрного лидера сопротивления и мученицы.

Как бы там ни было, мне сложно поверить в существование личности с таким набором качеств. Айтишница мега-уровня бегает по лесам и ведёт партизанскую войну со смутной конечной целью.

Даже менее опытные подопечные задают резонный вопрос: что помешает противнику откатить изменения, которые она хочет внести в принцип работы стеков любой ценой?

Квелл знает всех людей лучше них самих и безошибочно предугадывает их действия - как тогда получилось, что она допустила столь фатальные ошибки одну за другой?

Возможно, мы узнаем ответы на эти вопросы в новом сезоне, или проникнемся атмосферой сериала настолько, что придумаем свои ответы.

Intrinsyc выпустила хардверный комплект разработчика ИИ для IoT

Канадская компания Intrinsyc – крупный поставщик решений для встраиваемых систем, представила комплект разработчика Snapdragon 865 Mobile HDK с мощным движком Qualcomm AI Engine.

С его помощью становится доступным создание компактных ИИ-платформ, реализующих интеллектуальные функции непосредственно на дронах и IoT-устройствах.

Это первый крупный анонс Intrinsyc Technologies с тех пор, как в конце 2019 года она была поглощена калифорнийской Lantronix.

Snapdragon 865 Mobile HDK работает под управлением Android 10 (и будет поддерживать Android 11, предварительная версия тестируется уже сейчас). По сравнению со Snapdragon 855, он на 25% быстрее в общих вычислениях и в разы производительнее при ускорении нейросетей.

Однокристальная система Snapdragon 865 – это флагманский продукт Qualcomm, знакомый по топовым смартфонам Samsung Galaxy S20 и Xiaomi Mi 10. Она выполнена по техпроцессу 7 нм и обеспечивает высочайшую энергоэффективность.

Универсальные вычислительные блоки в ней представлены четырьмя ядрами Kryo 585 Silver (1,8 ГГц, кластер Cortex-A55), тремя быстрыми ядрами Kryo 585 Gold (2,42 ГГц, кластер Cortex-A77), и одним выделенным ядром Kryo 585 Gold, работающим на повышенной частоте (2,84 ГГц).

Однако настоящая мощь чипа скрывается в его гетерогенной архитектуре. Помимо классических ядер, её формирует графический процессор Adreno 650 GPU и новый сигнальный процессор Hexagon DSP.

Вместе CPU, GPU и DSP образуют кластер Qualcomm AI Engine и работают как аппаратный ускоритель для типовых операций нейросетей (умножение векторов и матриц), позволяя использовать функционал ИИ на мобильных или встраиваемых устройствах.

В Snapdragon 865 используется AI-движок пятого поколения, обеспечивающий до 15 TOPS (триллионов операций в секунду). Это суперкомпьютер в миниатюре, который в реальном времени способен распознавать речь, печатный текст, рукописный ввод, лица, номера машин и объекты любых заданных классов.

Qualcomm также реализовала в Snapdragon 865 технологию вычислений смешанной точности (FP 8/16/32) и динамического высвобождения полосы пропускания на основе алгоритмов глубокого обучения. В отдельных сценариях достигается четырёхкратное ускорение (по сравнению с 855) и сжатие передаваемых данных без потерь на 50%.

Дополнительную оптимизацию использования ресурсов обеспечивает софтверный набор Qualcomm AI Model Efficiency Toolkit. Он обрабатывает модели обучения и отсекает избыточные параметры, используя сингулярное разложение матриц (SVD) и байесовское сжатие.

Snapdragon 865 Mobile HDK выполнен в виде платы размером 100 x 85 мм. Он поставляется с 6 ГБ оперативной памяти LPDDR5x, оснащен 128 ГБ модулем флэш-памяти стандарта UFS 3.0, и допускает её расширение за счёт карты памяти microSD.

Связь обеспечивает двухдиапазонный модуль Atheros QCA6391 с поддержкой новейших стандартов Wi-Fi 802.11ac/ax и Bluetooth 5.1.

Рекомендованная цена набора для разработчиков составляет $1149.

Источник: www.intrinsyc.com

ИИ выполняет контроль качества на любом производстве

Компания Neurala использует уникальную нейронную сеть, чтобы автоматически находить любые дефекты продукции. Это может быть что угодно – от мутной ампулы и гнилого яблока до лопатки турбины неправильной формы.

Cоучредитель и генеральный директор Neurala Массимилиано Версаче начал свою карьеру в середине девяностых. Он разработал систему машинного зрения, которая применялась на дронах для инспекции оборудования в нефтегазовой отрасли.

Затем Массимилиано захотел создать более универсальную ИИ-платформу для контроля качества любых товаров и основал собственную компанию – Neurala.

Начав свой путь в 2006 году как технологический стартап из Бостона, к настоящему времени Neurala привлекла 16 миллионов долларов за четыре раунда финансирования. Сейчас в ней работают 50 человек, а среди заказчиков появились крупнейшие предприятия.

Neurala запатентовала глубокую нейронную сеть Lifelong-DNN, которая сделала машинное зрение очень близким к человеческому восприятию визуальных образов.

На её базе была разработана коммерчески доступная платформа Neurala Brain Builder AI – готовое решение для отдела контроля качества. В чём же её уникальность?

Любая нейронная сеть требует обучения, и с этим часто возникают проблемы. Например, производители затрудняются предоставить тысячи изображений дефектной продукции, поскольку брак встречается редко, его не всегда фотографируют, или он каждый раз оказывается разным.

Преимущество Lifelong-DNN в том, что её обучение происходит на фотографиях качественных продуктов. Их легко сделать, что позволяет составить большую аннотированную подборку за короткое время.

Ориентируясь только на базу эталонных изображений, Lifelong-DNN мгновенно находит любые отклонения и распознаёт даже те дефекты, которые раньше не встречались.

Нейросеть постоянно обучается и динамически корректирует степень контролируемых отклонений. Например, для фруктов допускается большой разброс по размеру, форме и цвету, а микровинты и технологические разъёмы должны быть строго идентичными.

Одним из клиентов Neurala стала IHI Corporation – японский производитель авиационных двигателей, турбокомпрессоров, автомобильных деталей, промышленного оборудования и тяжёлой техники.

«Мы обнаружили, что платформа Neurala Brain Builder превосходит другие стандартные системы проверки качества - как по точности обнаружения дефектов, так и по скорости анализа продукции», – сказал генеральный менеджер IoT-отдела IHI Corporation Юкихиро Кавано.

Возможность выявления аномалий в режиме реального времени просто бесценна. Такой подход не только предотвращает поставку бракованной продукции, но и позволяет операторам немедленно устранить дефект на производственной линии.

Источник: forbes.com

TentacleGripper – щупальце для роботов

Исследователи из Гарвардской школы инженерных и прикладных наук (SEAS) при участии сотрудников Пекинского университета авиации и космонавтики разработали мягкое роботизированное щупальце с присосками.

С помощью него можно захватывать объекты различной массы и формы почти также ловко, как это делает живой осьминог. Разработчики успешно провели эксперименты с десятками предметов – от грецкого ореха до фитбола. На видео ниже показано, как щупальцем аккуратно хватают живого краба.

«В нашем исследовании впервые используется количественная оценка одновременно для расчётов изгиба и силы всасывания. Это позволяет использовать один маленький захват для широкого перечня практических задач», – пояснил к.т.н и ведущий автор научной работы Август Домель.

Бионический захват состоит из мягкой силиконовой основы, форма которой меняется пневматически. Если в него подается сжатый воздух, щупальце распрямляется, а если откачивается – сгибается внутрь и аккуратно обхватывает предмет.

На внутренней стороне щупальца расположены два ряда присосок. Маленькие присоски на конце захвата работают пассивно, а более крупные управляются насосом, обеспечивая дозированное усилие прижатия.

Совместно с компанией Festo, занимающейся технологиями автоматизации, исследователи создали коммерческий прототип захвата TentacleGripper, который можно присоединить к большинству моделей универсальных манипуляторов.

На его основе уже предложены универсальный промышленный робот BionicMotionRobot и робот-ассистент BionicCobot.

Видео: https://youtu.be/8IXncY4L_nc

Источник: www.liebertpub.com

@itlecture - канал с бесплатными обучающими видео-лекциями по IT и технологиям, а так же записями крупных конференций на различные IT тематики как для новичков, так и для опытных айтишников.

Программирование, Искусственный Интеллект, DevOps, Clouds, Веб-Дизайн, Базы Данных и многое другое.

➡️ https://tttttt.me/itlecture

NNI v.1.4 – лёгкий старт с AutoML

Вышла новая версия NNI (Neural Network Intelligence) – открытой платформы для управления заданиями в системах с автоматическим машинным обучением (AutoML).

NNI помогает автоматизировать проектирование функций. Он отправляет и запускает пробные задания, используя алгоритмы самонастройки для поиска оптимальной архитектуры нейросети.

Также NNI подбирает гиперпараметры для разных сред (например, для отдельного компьютера или удалённого сервера) и выполняет сжатие моделей (обрезку или квантование).

Для лёгкого старта NNI предоставляет набор встроенных стандартных алгоритмов AutoML и поддержку популярных платформ обучения.

Он может выполнить эвристический поиск, исчерпывающий перебор, или байесовскую оптимизацию, а также применять алгоритмы обучения с подкреплением через PPO Tuner.

Пакет NNI доступен как утилита командной строки, или через веб-интерфейс, а с помощью расширяемого API вы можете настроить свои собственные алгоритмы AutoML и сервисы обучения.

В новой версии NNI поддерживает ИИ-фреймворки PyTorch, TensorFlow, Keras, MXNet, Caffe2 и другие. К нему легко добавить любые библиотеки, написанные на Python (требуется Python для 64-битных архитектур версии 3.5 или выше).

Кроссплатформенный инструмент NNI распространяется с открытым исходным кодом. Он протестирован в Ubuntu 16.04, macOS 10.14.1 и Windows 10 (1809).

Хотите проверить в своей модели разные алгоритмы AutoML, или запустить пробные задания в разных средах? Попробуйте NNI v.1.4!

Источник: GitHub

Наш постоянный автор Андрей Васильков теперь также ведёт @dx_media — новый канал о современных ИТ-решениях на базе ИИ.

В нём рассматривается опыт компаний по внедрению интеллектуальных систем в рабочие процессы, публикуются отраслевые новости, образовательные статьи и подборки тематических ресурсов.

На реальных примерах разбираются эффекты от внедрения роботов, дронов, RPA и другие новые тренды.

Подписывайтесь! http://bit.ly/dx_media

Роботы Boston Dynamics обретают новые способности

Boston Dynamics, известная виральными видео испытаний своих криповатых роботов, заключила партнёрское соглашение с OTTO Motors.

Эта компания разрабатывает автономные складские системы и выпускает самодвижущиеся платформы для лёгкой транспортировки грузов.

В условиях склада хорошо показал себя тандем из таких платформ и робота Handle, взаимодействующий при помощи системы компьютерного зрения Pick.

Для этого камеру пришлось закрепить непосредственно на манипуляторе. Помимо выполнения задач навигации, она считывает двумерный код (модификация Data Matrix) на поддонах, чтобы определить тип груза.

По виду и манере движения робот Handle слегка похож на страуса, просто медленного. Он перемещается со скоростью до 4 км/ч и всё время балансирует на двух колёсах. Корпус главного вычислительного блока со всей электронной начинкой подвешен сзади на раме и служит противовесом.

Манипулятор выдвигается на расстояние до 3 метров. Он оснащён присоской и может удерживать груз массой до 15 кг.

Захваченные коробки Handle ловко ставит на подъезжающие роботизированные платформы и принимается за следующие. Всего за один час он способен погрузить до 360 ящиков и до 5400 кг.

«Мы доказали возможность слаженной работы в условиях разнородного парка роботов. Они обеспечивают гибкое решение для автоматизации складов», – сказал Кевин Бланкспур, вице-президент OTTO Motors.

Видео: Handle / OTTO Integration

Источник: techcrunch.com

Wingcopter – беспилотные конвертопланы набирают обороты

Молодая немецкая компания Wingcopter, выпускающая уникальные дроны, в начале марта получила крупные инвестиции от сингапурского фонда Corecam Capital Partners и обрела мировую известность.

Начав свой путь в 2017 году как стартап из Дармштадта, Wingcopter раз за разом подтверждала эффективность своих беспилотников необычной конструкции. Гибрид планера и квадрокоптера оказался на редкость удачным и технически выверенным решением.

Конструкцию дронов Wingcopter сложно отнести к каким-то известным схемам винтокрылых аппаратов. Ближе всего она к конвертоплану (с некоторыми оговорками).

Плавный поворот винтов у неё также обеспечивает переход между режимами вертикального подъёма, зависания и управляемым горизонтальным полётом с использованием подъёмной силы крыла.

Режим планирования существенно экономит энергию, увеличивая скорость полёта и расстояние, преодолеваемое на одном заряде аккумулятора. Кроме того, практика показала большую живучесть беспилотников Wingcopter.

В случае отказа одного или даже нескольких моторов, такой дрон имеет больше шансов уцелеть при аварийной посадке.

В прошлом году Wingcopter выполнила первый в мире полет коммерческого дрона вне поля зрения оператора (BVLOS). Эксперимент проводился в сотрудничестве с Merck и Франкфуртским университетом прикладных наук. Беспилотник успешно преодолел расстояние в 25 километров.

Затем сразу несколько таких дронов использовали для доставки гуманитарной помощи в Малави (Южная Африка), где тысячи людей оказались отрезаны от внешнего мира. Wingcopter доставила в удалённые регионы свыше 90 кг лекарств, не потеряв ни одного беспилотника.

Wingcopter показала эффективность дронов там, где не справились джипы миссии ООН. Вскоре после этого компания выиграла конкурс Lake Kivu Challenge в Руанде и получила десятки заявок - как от международных организаций, так и от местных правительств.

«В отличие от многих других стартапов из сектора логистики, которые годами представляют только прототипы, Wingcopter смогла впечатляюще продемонстрировать реальные возможности своих беспилотников», – прокомментировал Филипп Вебер, партнер Venture Capital в FPS Law.

Источник: eu-startups.com

Видео: Wingcopter Vaccine Delivery in Vanuatu

Хочу представить вам классный канал Новое Электричество. Ребята создают искусственный интеллект и пишут о нем простым языком.

Рассказывают о разном: есть серия постов-ликбезов о базовых вещах, есть удивительные и смешные истории о необычных применениях ИИ, иногда можно немного погрузиться в научные детали, а ещё узнать о свежих трендах и новостях ИИ-стартапов.

Канал совсем новый, так что вас ждет еще много интереснейших постов! Подписывайтесь:

https://tttttt.me/new_electricity