Passez la scène à ai full Link! Tosda Industrial number acquisition Matrix réalise une percée technologique majeure

Après avoir terminé le déploiement de l'application pour les données de simulation virtuelle, tosda complète à nouveau cette capacité critique d'acquisition de données en machine réelle. Cet ensemble de système d'acquisition numérique multimodale en machine réelle, est l'un des principaux maillons du « scénario + robot + données + modèle d'ia» de tosda, traverse la faille de données entre le terminal matériel et l'algorithme intelligent, construit un lien commercial complet pour le travail sur le terrain, le fonctionnement de l'équipement, La précipitation des données et l'itération intelligente.

Le système d'extraction numérique multimodale en machine réelle est basé sur les mâchoires d'extraction numérique multimodale de haute précision de tosda Self - Research, qui construisent une plate - forme d'extraction numérique tout - en - un de l'acquisition en machine réelle à l'itération du modèle. L'auto - étude de la mâchoire de serrage est très polyvalente, il n'est pas nécessaire de mapper les articulations du robot pour s'adapter à tous les types de modèles, la modification légère peut être mise en service dans la ligne de production. L'équipement fusionne l'inertie visuelle avec le schéma de détection à haute fréquence pour réaliser le suivi de position de haute précision à six degrés de liberté, positionnement de condition de travail conventionnelErreur moyenne ≤ 0,25%; synchronisation pour inclure des informations multidimensionnelles telles que l'image visuelle, la trajectoire de mouvement, la posture finale, l'action des mâchoires, etc., compatible avec les instructions de processus complexes à une main et à deux mains pour collecter des données de production de première ligne de précipitation et inverser l'itération du modèle, afin que le Robot puisse vraiment "comprendre le processus et travailler".

Plate - forme intégrée de collecte de données, couvrant les cinq grandes étapes de la boucle fermée des données d'intelligence personnelle de l'enseignement manuel de la collecte de données, du traitement des données, de la formation de modèles, du déploiement de robots et de l'itération de rétroaction, afin de résoudre efficacement les problèmes de l'industrie tels que l'adaptation insuffisante des robots traditionnels, la précision limitée de l'acquisition, la faible capacité de généralisation de la scène et d'autres, pour la mise à l'échelle de l'intelligence personnelle industrielle.

　　Enseignement manuel et acquisition multimodale

　　Précipitation d'échantillons de données de haute qualité

La première étape, l'opérateur à travers le nombre de pinces de préhension pour compléter la saisie, la manutention, l'assemblage et d'autres tâches industrielles, l'enseignement, le système d'enregistrement synchrone des opérations et des informations de tâche dans toutes les dimensions, la conservation complète de la logique et des détails de l'opération manuelle, La génération d'échantillons de travail de haute qualité adaptés au site industriel, de sorte que le robot "comprend le processus".

　　Traitement des données et normalisation

　　Améliorer l'efficacité et la gestion du traitement des données

Dans la deuxième phase, une fois l'acquisition de données terminée, le système trie, normalise l'alignement temporel et le format des données multi - sources telles que l'image du poignet, la posture athlétique et l'état des mâchoires, et les encapsule uniformément dans un ensemble de données d'entraînement. Fournit également des outils de révision visuelle qui prennent en charge la visualisation humaine, les notes et les marqueurs de disponibilité pour fournir une entrée de données canonique pour la formation du modèle et les itérations ultérieures. Il améliorera progressivement les capacités de nettoyage automatisé des données, d'inspection de la qualité, d'archivage et de gestion des versions, améliorant ainsi l'efficacité et la gestion du traitement des données.

　　
Model Training et évaluation des capacités

　　Augmenter la capacité de généralisation des robots

La troisième phase consiste à former les robots à la stratégie opérationnelle sur la base d'un ensemble de données standardisé, permettant au modèle d'apprendre les relations de cartographie allant de l'observation visuelle et des instructions de tâche aux mouvements terminaux et aux mouvements de mâchoire, et d'optimiser en permanence les capacités du modèle grâce à la validation de La formation, à l'évaluation des effets et à la supplémentation en données.

　　Déploiement de robots en machine réelle

　　Réaliser un travail intelligent

La quatrième étape, la formation complète du modèle de stratégie de haute précision peut accéder rapidement à tous les types de systèmes de contrôle du robot, en s'appuyant sur la perception visuelle en temps réel, l'état de fonctionnement du robot et les instructions de travail pour la sortie autonome de l'exécution précise des actions, la réalisation stable de l'exécution autonome sans pilote des tâches industrielles typiques telles que la préhension, la manutention, l'assemblage et d'autres, de sorte que le robot dans une usine réelle "fonctionnera".

　　Évaluation en machine réelle et retour de données

　　Mise à niveau du modèle anti - Allaitement

La cinquième étape, la plate - forme enregistre le processus de travail réel du robot et ses effets, cible l'attribution précise des anomalies et des scénarios d'échec, renvoie des données incrémentielles de haute qualité à la chaîne d'acquisition et de formation, optimise continuellement la précision du travail du modèle et la capacité d'adaptation, formant une boucle fermée de données auto - optimisées.

À ce stade, tosda a construit une boucle fermée de données de processus complète « enseignement et acquisition manuels – traitement et normalisation des données – formation de modèles – déploiement réel – optimisation du feedback », afin de créer efficacement des ensembles de données industrielles de haute qualité, d’élargir continuellement les limites des applications d’intelligence personnelle, de permettre aux robots intelligents personnels de mieux adapter les processus de production, de mieux fonctionner en situation réelle et de contribuer à la transformation intelligente et sans pilote de la fabrication.

　　Écrit par Xu Jingyu