“robot koordinasyonu” için sonuçlar
4 sonuç bulundu. Sonuçları kategoriye göre daraltabilirsin.
Robotlar için gerçekçi test ortamı: SMART platformu geliştirildi
Araştırmacılar, çok ajanlı yol bulma algoritmalarını test etmek için SMART adlı yeni bir simülasyon platformu geliştirdi. Multi-Agent Path Finding (MAPF) algoritmaları, yüzlerce robotun çarpışmadan koordineli hareket etmesini sağlayabilse de, basitleştirilmiş robot modelleri kullandığı için gerçek dünya performansları belirsizdi. SMART, fizik motorlu simülatörler kullanarak robot dinamiği ve belirsizlikleri gibi karmaşık faktörleri hesaba katıyor. Bu platform, laboratuvar ortamında yüzlerce fiziksel robota erişimi olmayan araştırmacılara gerçekçi test imkanı sunuyor. Aynı zamanda MAPF konusunda uzman olmayan endüstri profesyonellerinin de algoritmaları kendi ortamlarında kolayca test edebilmelerini sağlıyor. Platform, robot koordinasyonunun kritik olduğu depo otomasyonu ve akıllı fabrika uygulamalarında önemli rol oynayabilir.
Çoklu Bekçi Rotası Problemi İçin Yeni Algoritmalar Geliştirildi
Araştırmacılar, harita üzerinde birden fazla bekçinin en verimli şekilde devriye gezebilmesi için matematiksel algoritma geliştirdiler. Çoklu Bekçi Rotası Problemi olarak bilinen bu karmaşık optimizasyon sorunu, güvenlik, gözetim ve otonom robot koordinasyonu gibi alanlarda kritik öneme sahip. Yeni MWRP-CP3 algoritması, arama uzayını %95'ten fazla küçülterek hesaplama süresini dramatik olarak azaltıyor. Sistem, gereksiz alanları önceden elemek ve bekçilerin rotalarını optimize etmek için gelişmiş budama teknikleri kullanıyor. Araştırma ayrıca, mükemmel çözümün yanında hızlı yaklaşık çözümler sunan algoritma varyantları da sunuyor.
ABot-Claw: Robotları İşbirliği Yapabilen Kalıcı Ajanlara Dönüştürüyor
Araştırmacılar, robotik alanında devrim yaratabilecek yeni bir sistem olan ABot-Claw'u geliştirdi. Bu sistem, farklı türdeki robotların uzun süreli görevlerde işbirliği yapmasını, deneyimlerinden öğrenmesini ve sürekli kendilerini geliştirmesini sağlıyor. Mevcut robotik sistemler genellikle kısa vadeli görevlerle sınırlı kalıyor ve gerçek dünya koşullarında zorlanıyor. ABot-Claw ise robotlara kalıcı hafıza, görsel tabanlı öğrenme ve çoklu robot koordinasyonu yetenekleri kazandırıyor. Sistem, Vision-Language-Action modellerinin güçlü algılama yeteneklerini, System 2 bilişsel mekanizmalarla birleştirerek robotların daha akıllı ve özerk hareket etmesini mümkün kılıyor.
Robot Takımları İçin Yeni Güvenlik Sistemi: Her Robot Kendi Yetisini Biliyor
MIT ve Stanford araştırmacıları, farklı yeteneklerdeki robotların bir arada güvenli çalışması için yeni bir sistem geliştirdi. Capability-Aware Heterogeneous Control Barrier Function (CA-HCBF) adlı bu yaklaşım, her robotun kendi fiziksel sınırlarını bilerek güvenlik kararları almasını sağlıyor. Sistem, tekerlekli robotlar ve insansı robotlar gibi farklı hareket kabiliyetlerine sahip makinelerin aynı ortamda çarpışmadan çalışmasına olanak tanıyor. Geleneksel yöntemler tüm robotları aynı kabul ederken, yeni sistem her robotun kendine özgü hareket sınırlarını dikkate alarak daha güvenli ve verimli koordinasyon sağlıyor.