¡¡ abre el enlace completo de la escena a la ia! La matriz de extracción digital industrial de tusda logra un gran avance tecnológico

Después de completar el despliegue de la aplicación de datos de simulación virtual, tusda completó una vez más la capacidad clave de la adquisición de datos de la máquina real. Este sistema de adquisición de datos multimodal de máquinas reales es una parte central del "escenario + robot + datos + modelo ai" de tusda, que abre la falla de datos entre terminales de hardware y algoritmos inteligentes y construye un enlace de negocio completo de operación in situ, operación de equipos, precipitación de datos e iteración inteligente.

El sistema de adquisición de datos multimodal de la máquina real se basa en la garra de extracción de datos multimodal de alta precisión autodesarrollada de tusda, y se construye una plataforma integrada de adquisición de datos desde la adquisición de la máquina real hasta la iteración del modelo. Las garras de extracción de números de autoinvestigación son altamente universales, se pueden adaptar a varios modelos sin mapeo de articulaciones robóticas, y la transformación ligera se puede poner en uso en la línea de producción. El equipo integra el esquema de inercia visual y detección de alta frecuencia para lograr un seguimiento de posición y postura de alta precisión de seis grados de libertad y un posicionamiento de condiciones de trabajo convencionales.Error medio ≤ 0,25%; incluye simultáneamente información multidimensional como imágenes visuales, trayectorias de movimiento, posturas finales y movimientos de garra, y es compatible con la enseñanza de procesos complejos de una mano y dos manos para recopilar datos de producción de primera línea de precipitación y alimentar la iteración del modelo, para que el robot realmente "entienda la tecnología y pueda trabajar".

La plataforma integrada de adquisición de datos cubre las cinco etapas principales del circuito cerrado de datos inteligentes personales de enseñanza manual, procesamiento de datos, entrenamiento de modelos, despliegue de robots e iteración de retroalimentación, resuelve eficazmente los puntos dolorosos de la industria, como la falta de adaptabilidad de los robots tradicionales, la precisión limitada de adquisición y la débil capacidad de generalización de escenarios, y construye una base de datos sólida para el aterrizaje a gran escala de la inteligencia personal industrial.

　　Enseñanza manual y adquisición multimodal

　　Precipitar muestras de datos de alta calidad

En la primera etapa, el operador completa la enseñanza de tareas industriales como agarre, manipulación y montaje a través de garras digitales, el sistema registra simultáneamente la información de operación y tarea en toda la dimensión, conserva completamente la lógica y los detalles de la práctica manual, genera muestras de trabajo de alta calidad que se ajustan al sitio industrial y permite al Robot "entender el proceso".

　　Procesamiento y estandarización de datos

　　Mejorar la eficiencia del procesamiento de datos y el nivel de gestión

En la segunda etapa, después de la finalización de la adquisición de datos, el sistema ordena, alinea el tiempo y estandariza el formato de los datos de múltiples fuentes, como la imagen de la muñeca, la postura deportiva y el Estado de la garra, y los encapsula uniformemente en un conjunto de datos de entrenamiento. Al mismo tiempo, se proporcionan herramientas de revisión visual, que admiten visualización manual, notas y etiquetas de disponibilidad, y proporcionan una entrada de datos estandarizada para el entrenamiento del modelo y las iteraciones posteriores. Y mejorará gradualmente la capacidad de limpieza automatizada de datos, detección de calidad, archivo clasificado y gestión de versiones, mejorando aún más la eficiencia del procesamiento de datos y el nivel de gestión.

　　
Entrenamiento de modelos y evaluación de capacidades

　　Mejorar la capacidad de generalización de los robots

En la Tercera etapa, se lleva a cabo un entrenamiento de estrategia de operación robótica basado en conjuntos de datos estandarizados para que el aprendizaje del modelo permita mapear la relación desde la observación visual y las instrucciones de la tarea hasta el movimiento final y la acción de la garra, y optimizar continuamente la capacidad del modelo a través de la verificación del entrenamiento, la evaluación del efecto y la reposición de datos.

　　Despliegue de máquinas reales robóticas

　　Realizar trabajos inteligentes

En la Cuarta etapa, el modelo de estrategia de alta precisión completado por el entrenamiento puede acceder rápidamente a varios sistemas de control robótico, confiar en la percepción visual en tiempo real, el Estado de funcionamiento del robot y las instrucciones de la tarea de trabajo para exportar acciones de ejecución precisas de forma independiente, realizar de manera estable la ejecución autónoma no tripulada de tareas industriales típicas como agarrar, transportar y ensamblar, para que el robot "pueda trabajar" en la fábrica real.

　　Evaluación de máquinas reales y retorno de datos

　　Actualización del modelo de retroalimentación

En la Quinta etapa, la plataforma registra todo el proceso y el efecto de la operación de la máquina real del robot, atribuye con precisión los escenarios anormales y fallidos, devuelve datos incrementales de alta calidad a los enlaces de adquisición y entrenamiento, optimiza iterativamente continuamente la precisión de la operación y la capacidad de adaptación del modelo, y forma un circuito cerrado de Datos de autooptimización.

Hasta ahora, tuoshda ha construido un circuito cerrado de datos de todo el proceso de "enseñanza y adquisición manual - procesamiento y estandarización de datos - entrenamiento de modelos - despliegue de máquinas reales - Optimización de retroalimentación", ha construido un conjunto de datos industriales de alta calidad de manera eficiente, ha ampliado constantemente los límites de las aplicaciones inteligentes personales, ha hecho que Los robots inteligentes personales sean más adecuados para el proceso de producción y mejores en operaciones reales, y ha ayudado a la transformación y modernización inteligente y no tripulada de la industria manufacturera.

　　Escrito por Xu Jingyu