Dobb-E

Dobb·E یک چارچوب منبع باز است که برای آموزش کارهای خانگی ربات ها از طریق فرایندی به نام یادگیری تقلید طراحی شده است. این چارچوب قصد دارد محدودیت های رباتیک خانگی فعلی را با ارائه یک راه حل ارزان و ارگونومی برای جمع آوری تظاهرات مورد توجه قرار دهد. این کار از طریق استفاده از ابزاری به نام Stick انجام می شود که با استفاده از یک چوب 25 دلاری-grabber، 3D چاپ شده و iPhone.Dobb ·E برای جمع آوری داده ها از مجموعه ای به نام Homes of New York (NYHo) ساخته شده است که شامل 13 ساعت تعاملات در 22 خانه مختلف در شهر نیویورک است. مجموعه داده ها شامل فیلم های RGB و عمق، و همچنین توضیحات عملی برای ژست 6D گرفتن و باز کردن زاویه است.Using داده جمع آوری شده، Dobb·E یک مدل یادگیری نمایندگی به نام Home Pre Education Presentations (HPR) را آموزش می دهد. این مدل، بر اساس معماری ResNet-34 و آموزش دیده با استفاده از اهداف یادگیری مبتنی بر خود، سیاست ربات را برای انجام وظایف جدید در محیط های جدید آغاز می کند.Dobb ·E توانایی دستیابی به یک نرخ موفقیت متوسط 81 درصد در حل وظایف رمان را در عرض 15 دقیقه نشان داده است که براساس پنج دقیقه اطلاعات جمع آوری شده در یک خانه جدید، چارچوب دسترسی به مدل های پیش آموزش دیده، اسناد و مستندات GitHub را فراهم می کند. علاوه بر این، یک مقاله دسترسی باز با عنوان "در آوردن ربات های خانگی" بینش بیشتری در مورد روش و نتایج Dobb ·E ارائه می دهد.