Istnieje wiele ciekawych sposobów na szacowanie odległości lub wielkości obiektów za pomocą właściwości swojego ciała i geometrii. Chociaż wszystkie są trochę przybliżone, ich wykorzystanie sprowadza się do szacowania jak najbardziej “na oko”. Te same zasady są wykorzystywane w skanerach 3D i robotyce.
Osoby chcące zostać robotykami czy inżynierami biomedycznymi stoją przed sporym wyzwaniem zdobycia ogromnej wiedzy potrzebnej do rozpoczęcia pracy. Studia jako takie skupiają się głównie na dostarczeniu wiedzy i pozwalają gruntownie poznać te dyscypliny. W mniejszym stopniu pozwolają na rozwinięcie manualnych zdolności czy szlifowaniu podstawowych umiejętności technicznych – to inżynier musi rozwijać sam.
ROS (Robot Operating System) is a very powerfull set of tools for creating robotic systems,
however, many beginners feel intimidated by it. In my practice, I usually start using a new robot or
a new ROS package using Jupyter notebooks and Ipython. On recent PyCon PL we presented how
to do it. Examples of Jupyter notebooks for ROS learning and robot control are available at https://github.com/AdoHaha/ipython_robot_prototyping.
Żyjemy w czasach Unicode’u i kodowanie polskich znaków na stronach internetowych czy jakiś tekstach jest dość proste.
Dla Polaków przejście z Pythona 2 na 3 przynosi chociażby łatwiejszą obsługę Unicoda i mniej bólu głowy. Jednak czasem
nadal najlepszym rozwiązaniem pewnych programistycznych problemów
jest zamienić polskie znaki na ASCII – chociażby w przy nadawaniu nazw plików. Po interneciekrążył plik zamiany polskich znaków dla PHP, łącznie z zamianami innych przedziwnych znaczków stosowanych na Świecie. Zamieniłem go na Pythona i napisałem w bardziej
pythoniczny sposób
I had some trouble retraining models provided with Keras as there were some changes in the API. The basics of building classification models through bottlenecking and retraining dense layers of already trained models (such as VGG16) is well described in Francois Chollet blog post about this topic and this post aims only at providing corrections so to actually run the code with Keras 2 functional API. This post is more a discussion of what needs to be done than step by step tutorial.
Laboratorium trwa 15 godzin i jest realizowane przez pół semestru. W czasie laboratorium poznacie w jaki sposób przejść od wyszukiwania dokumentacji (datasheetów)
manipulatorów do ich modelowania i obliczeń kinematyki prostej i odwrotnej.
W wielu przedsięwzięciach robotycznych rozpoczyna się od modelowania robota. To znaczy do stworzenie jakiegoś jego uproszczonego opisu, który pozwala nam sprawdzić, to co akurat sprawdzić chcemy, może to być np.:
Sieci neuronowe to bestia o zmieniających się nazwach (aktualnie
deep-learning)- ważne narzędzie w rękach robotyka.
Pozwalają rozpoznawać obiekty, regulować trudne elementy a w
szczególności – dają ogólny sposób na uczenie się maszyn.
Lecz nie ma nic za darmo – w zamian za duże możliwości konstruowanie
sieci neuronowych jest trudne a ich uczenie wymaga ogromnej ilości
danych.
Dodatkowo-początkującym trudno sobie wyobrazić, co te sieci robią. W
tym poście pokażę i podlinkuję wizualizacje, które pomogą sieci
neuronowe zrozumieć.
W tym poście pokażę, jak możemy wykorzystać Jakobian, do wyliczenia kinematyki odwrotnej i kinematyki prędkości
manipulatora o dwóch stopniach swobody.