Белорусский робототехнический стартап — Rozum Robotics, на VC.RU рассказал о том, что нужно обязательно сделать при создании собственного робототехнического проекта.

1. Провести исследование рынка

42% всех стартапов терпят фиаско именно из-за того, что делают продукт, который никому не нужен.

Рынок робототехники очень велик — от промышленных роботов и беспилотников, до домашних роботов и роботов-игрушек.
Необходимо определиться с возможной нишей и потратить время на анализ потенциальных потребителей, спроса, стоимости покупки и обслуживания и т.д.

( Читать дальше )

Интересное видео от английской студии экспериментального роботизированного искусства и дизайна — Rusty Squid — о том как они создают роботов.

Один из принципов студии:

Развитие робототехники слишком важно, чтобы оставить его только в руках инженеров.

Текущий подход к проектированию робототехники в лабораториях по всему миру — совсем не использует в своей работе практику дизайн-мышления. Поэтому не удивительно, что даже если на создание робота тратятся большая сумма денег, то, после завершения его создания, люди могут реагировать на него совсем не так, как ожидали инженеры.

Поэтому, по словам креативного директора David McGoran, в студии создали свои собственные специализированные инструменты для эффективного общения с инженерами, художниками и дизайнерами.

( Читать дальше )

Интересное выступление Александра Хайтина (исполнительный директор Yandex Data Factory) на конференции «Искусственный интеллект в управлении непрерывным производством», совместно проводимой компаниями Yandex Data Factory и «Газпром нефть».

Тезисы выступления

( Читать дальше )

Видео с конференции Data & Science, на котором эксперты рассказывают о своём опыте работы с большими данными, машинном обучении и их применении в науке, экономике и других сферах жизни.

Очень интересно первое выступление — Эмели Драль из Yandex Data Factory, рассказывает о подводных камнях, которые возникают при использовании машинного обучения в промышленности (выбор нефтяных скважин для гидроразрыва пласта, контроль разделения газа на фракции, предсказание дефектов в продуктах металлургического производства (слябах)).

Этапы проекта:

( Читать дальше )

Машинное обучение (ML), Искусственный Интеллект (AI), нейронные сети (NN) — эти термины в последнее время время не сходят с новостных заголовков и этот шум даже не думает умолкать.
Большие данные, вычислительные мощности графических карт (GPU) и огромное количество научных исследований — позволили глубокому обучению стать технологией меняющей мир.

Доступность фреймворков машинного обучения в виде открытого программного обеспечения, от ведущих исследовательских групп (от крупных компаний: TensorFlow от Google, PyTorch от Facebook, CNTK от Microsoft) позволяют сейчас быстро начать самостоятельно экспериментировать с глубокими нейронными сетями.

Однако, эти возможности, благодаря которым, сейчас очень просто начать тренировать свою собственную Искусственную Нейронную Сетку, могут ввести в заблуждение.
Ведь, чтобы использовать машинное обучение для решения своих задач или задач бизнеса, требуется учесть множество важных нюансов.

( Читать дальше )

Если, вдруг, ресурсов контроллера Arduino и 8-битных МК Atmel AVR перестаёт хватать — всегда есть вариант перейти на ARM Cortex-M. Например, на популярные микроконтроллеры STM32.
Переход можно осуществить довольно плавно — при помощи контроллеров:
Leaflabs Maple (STM32F103RB, 72 MHz),
STM32 MCU Nucleo.

А лучше сразу взять какую-нибудь Discovery. Например, STM32F4Discovery (STM32F407VG, 168 MHz).

( Читать дальше )

Простой и доступный робот, которого можно изготовить при помощи 3D-печати.
В качестве контроллера, используется Arduino-совместимая плата (Adafruit Pro Trinket).
В качестве двигателей — два шаговых двигателя с редуктором (28YBJ48), только вместо драйвера ULN2003, используется драйвер ULN2803.
Для подъёма-опускания фломастера, используется мини-сервомашинка (похожа на SG-90).

( Читать дальше )

Используя эволюционный алгоритм, нейронная сеть научилась играть в компьютерную игру Марио.

Нейронная сеть, получает на свой вход небольшое графическое изображение, которое представляет собой спрайт из игрового окна.
Далее, входной сигнал проходит через ряд искусственных нейронов, и преобразуется в команды для контроллера — нажатие клавиш управляющих движением Марио.
Таким образом, используется очень простая нейронная сеть, состоящая менее чем из десятка нейронов – которая со временем, становится способна выполнить даже такую сложную задачу, как провести Марио через весь игровой уровень.

( Читать дальше )

Для создания такого робота потребуются:
* пара щёток,
* два самодельных вибромотора,
* миниатюрная версия контроллера Arduino,
* два фоторезистора,
* два биполярных NPN-транзистора (PN2222), для управления двигателями,
* цветные светодиоды, для отслеживания ботов при помощи системы компьютерного зрения,
* немного мелочёвки (резисторы, провода и т.п.)

( Читать дальше )

Начал изучать ROS по этим материалам >> (спасибо за перевод — по английским мануалам точно бы не смог )

Есть задумка с платформой iRobot, пока iRobot в пути поупражняюсь в простеньком.
Решил наладить передачу между двумя платами Arduino через ROS.
Библиотека rosserial (см. топик) устанавливает соединение точка-точка (point-to-point connection) через последовательный порт с недорогими контроллерами (типа Arduino) так, что вы можете посылать сообщения ROS туда и обратно.


( Читать дальше )