Kategori: Nyheter

Publisert av — Legg igjen en kommentar

Nvidia-sjef spår autonom fremtid for alle edge-enheter

Nvidia-sjef Jensen Huang lanserer en revolusjonerende visjon der alle edge-enheter blir autonome. Det nye datamønsteret skal bringe sky-intelligens direkte ut i roboter og IoT-enheter.

Under en pressesamling etter sin GTC Taipei-presentasjon lanserte Nvidia-sjef Jensen Huang en ambisiøs visjon for fremtiden innen edge computing og robotikk. Hans budskap var klart: Vi står overfor et fundamentalt skifte i hvordan vi tenker om databehandling og autonomi.

«Det finnes et nytt datamønster,» forklarte Huang til forsamlede journalister, og pekte på hvordan intelligens fra skyen nå kan implementeres direkte i edge-enheter.

Fra sky til edge: Et paradigmeskifte

Det tradisjonelle mønsteret har vært at tunge AI-beregninger utføres i skyen, mens lokale enheter kun fungerer som «dumme» terminaler. Huangs visjon snur dette på hodet ved å bringe sofistikert AI-behandling direkte ut til edge-enhetene selv.

Dette åpner for spennende muligheter innen robotikk og automatisering. Tenk deg en Arduino eller Raspberry Pi-basert robot som kan ta avanserte beslutninger i sanntid, uten å være avhengig av skyoppkobling. For hobbyister og utviklere betyr dette at selv relativt enkle mikrokontrollere kan få tilgang til kraftig AI-funksjonalitet.

Praktiske konsekvenser for robotikkprosjekter

For de som arbeider med robotikkprosjekter, åpner denne utviklingen for flere interessante muligheter:

Sanntidsrespons: Eliminering av nettverkslatens gjør at roboter kan reagere øyeblikkelig på endringer i miljøet. Dette er kritisk for autonome kjøretøy, droner og industriroboter.

Offline-funksjonalitet: Edge-enheter kan fungere autonomt selv uten internettforbindelse, noe som er uvurderlig i industrielle miljøer eller avsidesliggende områder.

Reduserte kostnader: Mindre avhengighet av skybaserte tjenester kan føre til lavere driftskostnader for robotikkprosjekter.

Tekniske utfordringer og muligheter

Implementeringen av denne visjonen krever betydelige fremskritt innen flere områder. Prosessoreffektivitet må økes dramatisk for å kunne kjøre komplekse AI-algoritmer på batteridrevne enheter. Samtidig må utviklere lære å optimalisere koden for edge-arkitekturer.

For Arduino- og mikrokontroller-entusiaster betyr dette at fremtidige prosjekter kan få tilgang til maskinlæring og AI-funksjoner som tidligere kun var tilgjengelige for store datasentre. Dette demokratiserer avansert teknologi og gjør den tilgjengelig for hobbyister og mindre bedrifter.

Huangs spådom representerer ikke bare en teknisk evolusjon, men en revolusjon som kan endre hele måten vi bygger og programmerer autonome systemer på.

Kilde: Tom’s Hardware

Publisert av — Legg igjen en kommentar

Hvordan bygge en IK-løser for robotarm i ROS2 – Komplett guide til NERO Arm

Inverse kinematics (IK) er hjørnesteinen i moderne robotstyring, men kan være utfordrende å implementere for redundante 7-DOF robotarmer. En ny tutorial viser hvordan du kan bygge en parametrisk IK-løser for NERO-robotarmen i ROS2, basert på banebrytende forskning fra Tsinghua University.

Hva gjør 7-DOF robotarmer spesielle?

En 7-DOF robotarm med S-R-S konfigurasjon (Spherical Shoulder – Revolute Elbow – Spherical Wrist) har én ekstra redundant frihetsgrad sammenlignet med konvensjonelle 6-DOF manipulatorer. Dette betyr at når end-effektorens posisjon og orientering er fastsatt, finnes det uendelig mange løsninger for leddvinklene.

Denne redundansen er både en fordel og en utfordring. På den ene siden gir den robotarmen større fleksibilitet til å unngå hindringer og operere i trange rom. På den andre siden kompliserer det beregningen av inverse kinematics betydelig.

Parametrisk tilnærming til IK-løsning

Tutorialen presenterer en elegant løsning basert på parametrisk inverse kinematics. Metoden introduserer en redundancy parameter som effektivt reduserer det uendelige løsningsrommet til en håndterbar mengde.

Nøkkelen ligger i å parametrisere redundansen på en måte som gjør det mulig å optimalisere for spesifikke kriterier som leddgrenser, energiforbruk eller hinderunnvikelse.

Implementasjonen består av to hovedkomponenter:

  • ik_solver.py: Kjernealgoritmen som utfører de matematiske beregningene
  • ik_joint_state_publisher.py: ROS2-node for sanntidsoperasjon

Praktisk implementasjon i ROS2

Det som gjør denne tilnærmingen særlig verdifull er integrasjonen med ROS2-økosystemet. Den parametriske IK-løseren kan kjøres som en sanntids-node, noe som gjør den egnet for:

  • Interaktiv robotstyring og telepresens
  • Automatiserte pick-and-place operasjoner
  • Forsknings- og utdanningsprosjekter
  • Industrielle automatiseringsløsninger

Algoritmen tar hensyn til leddgrenser og optimaliserer bevegelsene for å unngå singulariteter – et vanlig problem ved IK-beregninger. Dette gjør løsningen robust nok for praktisk bruk.

For utviklere som jobber med robotikk-prosjekter, representerer denne tutorialen en verdifull ressurs. Den kombinerer solid matematisk fundament med praktisk implementasjon, og viser hvordan avansert robotikk-forskning kan omsettes til brukbare verktøy.

Kilde: ROS Discourse

Publisert av — Legg igjen en kommentar

Ny algoritme løser komplekse robotbevegelser med Jacobian-styrt partikkelsvermoptimering

Forskere har utviklet en forbedret partikkelsvermoptimering (PSO) som løser komplekse bevegelsesberegninger for robotarmer som mangler analytiske løsninger. Den nye metoden kombinerer ikke-lineære treghetsvekter med Jacobian-veiledning for å oppnå mer presise og jevne robotbevegelser.

Inverse kinematikk er et av de mest utfordrende problemene innen robotikk – å beregne hvilke leddvinkler en robotarm trenger for å nå en ønsket posisjon og orientering. Mens enkle roboter har matematiske formler som gir eksakte svar, må komplekse robotarmer (såkalte ikke-Pieper roboter) løse dette gjennom iterative beregningsmetoder.

Utfordringene med tradisjonell PSO

Partikkelsvermoptimering har lenge vært en populær metode for å løse inverse kinematikk, men konvensjonelle PSO-algoritmer sliter med flere problemer:

Algoritmene konvergerer ofte for tidlig mot suboptimale løsninger, presterer ustabilt nær singulære konfigurasjoner, og gir begrenset jevnhet i robotbanene.

Dette fører til rykkerige bevegelser og redusert nøyaktighet – spesielt problematisk for presisjonskrevende oppgaver som montasje eller kirurgiske inngrep.

Den nye løsningen: Jacobian-styrt PSO

Forskerne har utviklet en forbedret ramme som adresserer disse utfordringene gjennom to hovedinnovasjoner:

To-fase treghetsvektstrategi: Algoritmen tilpasser seg dynamisk – den utforsker bredt i starten for å unngå lokale minimumer, før den fokuserer på fininnstilling når den nærmer seg den optimale løsningen.

Jacobian pseudo-invers veiledning: Ved å integrere gradientbasert retningsinformasjon fra Jacobian-matrisen, får algoritmen bedre «sans» for hvilken retning den skal søke i. Dette gjør konvergensen raskere og mer robust, særlig i utfordrende singulære konfigurasjoner.

Praktiske fordeler og bruksområder

Den nye metoden bruker kvaternion-basert poserepresentasjon kombinert med en «joint continuity penalty» som sikrer jevne overganger mellom bevegelser. Dette er særlig verdifullt for:

• Industriroboter: Bedre presisjon i pick-and-place operasjoner
• Kollaborative roboter: Jevnere bevegelser som er tryggere rundt mennesker
• Forskningsroboter: Håndtering av komplekse geometrier som redundante eller ikke-standard konfigurasjoner
• Utdanningsformål: Mer pålitelige resultater for studenter som jobber med robotikksimuleringer

Metoden er kompatibel med eksisterende robotkontrollsystemer og kan implementeres på standard datamaskinvare. For hobbyister og studenter som jobber med Arduino eller Raspberry Pi-baserte robotarmer, kan denne tilnærmingen gi betydelig forbedrede resultater sammenlignet med tradisjonelle metoder.

Kilde: Scientific reports

Publisert av — Legg igjen en kommentar

Mars-roveren Perseverance knuser alle rekorder innen autonom navigasjon

Mars-roveren Perseverance har satt ny standard for autonom kjøring på den røde planeten, med hele 90 prosent selvkjørte distanser sammenlignet med Curiosity-roverens beskjedne 6,2 prosent. Dette gjennombruddet skyldes den revolusjonerende Enhanced Autonomous Navigation (ENav) algoritmen som navigerer det steinete Mars-terrenget med minimal datakraft.

Mens tidligere Mars-oppdrag som Curiosity og Opportunity var avhengige av detaljerte instruksjoner fra Jorden, har Perseverance fundamentalt endret måten vi tenker på robotnavigasjon i rommet. Per 28. oktober 2024 – roverens 1312. dag på Mars – har den tilbakelagt nesten all sin distanse helt selvstendig.

ENav-algoritmen: Hjernen bak suksessen

Det som gjør Perseverance så spesiell er Enhanced Autonomous Navigation-systemet (ENav). Denne algoritmen representerer et kvantesprang fra tidligere navigasjonsløsninger og klarer å behandle komplekse terrengdata i sanntid med overraskende lite datakraft.

Forskjellen er slående: Der Curiosity kun klarte 6,2 prosent autonom kjøring, har Perseverance oppnådd 90 prosent autonomi – en fjorten-dobling av ytelsen.

ENav fungerer ved å kontinuerlig analysere det omkringliggende terrenget gjennom roverens kameraer og sensorer. Algoritmen identifiserer hindringer som steiner, kratre og skrenter, og beregner den sikreste og mest effektive ruten i sanntid. Dette eliminerer den tidkrevende prosessen med å vente på kommandoer fra Jorden, hvor signaler bruker mellom 4-24 minutter hver vei avhengig av planetenes posisjon.

Tekniske spesifikasjoner og ytelse

Det mest imponerende ved ENav er hvordan den oppnår disse resultatene med begrensede dataressurser. Mars-rovere må fungere med mye mindre prosessorkraft enn det vi finner i moderne smartphones, samtidig som de må tåle ekstreme temperaturer, stråling og støv.

Systemet bruker stereoskopisk syn for dybdepersepsjon, kombinert med maskinlæringsalgoritmer som er spesielt tilpasset Mars-miljøet. Algoritmen kan klassifisere terrengtyper og forutsi hvor trygt det er å kjøre på ulike overflater.

Praktiske anvendelser på Jorden

Teknologien som ligger bak ENav har betydelige implikasjoner for autonome systemer her på Jorden. Prinsippene kan anvendes i:

• Selvkjørende biler som må navigere i utfordrende værforhold
• Industriroboter som arbeider i ukjente eller skiftende miljøer
• Droner for søk og redning i vanskelig tilgjengelig terreng
• Undervannsfarkoster for havforskning

For hobbyister og utviklere som arbeider med autonome robotprosjekter, demonstrerer Perseverance at sofistikert navigasjon ikke nødvendigvis krever enorme dataressurser – men heller smarte algoritmer og effektiv programmering.

Suksessen til Perseverance viser at fremtiden for autonom navigasjon ikke bare ligger i kraftigere hardware, men i intelligentere programvare som kan gjøre mer med mindre.

Kilde: IEEE Spectrum Robotics