Dobb-E: โครงสร้าง AI สำหรับหุ่นยนต์ในบ้าน
Dobb-E เป็นกรอบงานโอเพนซอร์สที่สร้างสรรค์ออกแบบมาเพื่อเพิ่มขีดความสามารถของหุ่นยนต์ในบ้านผ่านการเรียนรู้จากการเลียนแบบ ระบบนี้แก้ไขข้อจำกัดทั่วไปในหุ่นยนต์ในบ้านโดยการใช้เครื่องมือที่ราคาไม่แพงและใช้งานง่ายเรียกว่า Stick สร้างขึ้นจาก Stick ที่มีราคา $25 ที่ใช้สำหรับการหยิบจับ, ส่วนประกอบที่พิมพ์ 3D และ iPhone, Stick ช่วยในการเก็บข้อมูลการสาธิตที่มีค่า กรอบงานนี้ใช้ชุดข้อมูลที่ครอบคลุมที่เรียกว่า Homes of New York (HoNY) ซึ่งมีการโต้ตอบ 13 ชั่วโมงจาก 22 บ้านที่แตกต่างกัน, เสริมด้วยวิดีโอ RGB และความลึกและคำอธิบายการกระทำที่ละเอียด
ทางเลือกที่แนะนำมากที่สุด
แกนหลักของฟังก์ชันการทำงานของ Dobb-E อยู่ที่ความสามารถในการฝึกโมเดลการเรียนรู้การแทนที่เรียกว่า Home Pretrained Representations (HPR) โดยอิงจากสถาปัตยกรรม ResNet-34 โมเดลนี้ใช้การเรียนรู้แบบอัตโนมัติเพื่อให้หุ่นยนต์มีทักษะที่จำเป็นในการทำงานใหม่ในสภาพแวดล้อมที่ไม่คุ้นเคย ด้วยอัตราความสำเร็จเฉลี่ยที่น่าประทับใจ 81% ในการแก้ปัญหาใหม่ภายใน 15 นาที Dobb-E ให้การเข้าถึงโมเดลที่ผ่านการฝึกอบรมล่วงหน้า, โค้ด, และเอกสารประกอบที่ครอบคลุมผ่าน GitHub พร้อมกับเอกสารวิจัยที่อธิบายวิธีการของมัน
