کتاب پرسش و پاسخ چهارگزینهای – نسخه یادگیری سریع
— پاسخها بلافاصله بعد از سؤال برای مرور سریع
مشاهده نمونه نسخه کوییز سریع
کتاب پرسش و پاسخ چهارگزینهای – نسخه خودآزمایی
— پاسخها در انتهای بخشها برای سنجش واقعی یادگیری
مشاهده نمونه نسخه آزمونی
🎯 این بسته یک دورهٔ آموزشی کامل و چندلایه است؛ شامل ویدیوهای آموزشی، کتابها، تمرینها و خودآزمایی.
ℹ️ نکات مهم هنگام خرید
این محصول به صورت فایل دانلودی کامل ارائه میشود.
توجه: لینکهای اختصاصی دوره طی حداکثر 24 ساعت پس از ثبت سفارش ارسال میشوند.
دقت کنید لینک ها به شماره موبایل شما ارسال می شوند. پس در ارائه شماره موبایل صحیح دقت کنید.
برای راهنمایی در مورد نحوه دانلود به شماره 09395106248 پیامک دهید یا تماس بگیرید. (ایده آل ترین گزینه ارسال پیام در یکی از پیام رسان ها به همین شماره است تا سریعا لینک های محصول همان جا برای شما ارسال گردد.)
اگر پرداخت انجام شده ولی بعد از 24 ساعت هنوز لینکها را دریافت نکردهاید، نام و نام خانوادگی و نام محصول را پیامک کنید تا
لینکها دوباره ارسال شوند.
💬 راههای ارتباطی پشتیبانی: واتساپ یا هر پیام رسان داخلی یا پیامک:
09395106248 تلگرام: @ma_limbs
چکیده
Predictive models are a crucial component of many robotic systems. Yet, constructing accurate predictive models for a variety of deformable objects, especially those with unknown physical properties, remains a significant challenge. This paper introduces AdaptiGraph, a learning-based dynamics modeling approach that enables robots to predict, adapt to, and control a wide array of challenging deformable materials with unknown physical properties. AdaptiGraph leverages the highly flexible graph-based neural dynamics (GBND) framework, which represents material bits as particles and employs a graph neural network (GNN) to predict particle motion. Its key innovation is a unified physical property-conditioned GBND model capable of predicting the motions of diverse materials with varying physical properties without retraining. Upon encountering new materials during online deployment, AdaptiGraph utilizes a physical property optimization process for a few-shot adaptation of the model, enhancing its fit to the observed interaction data. The adapted models can precisely simulate the dynamics and predict the motion of various deformable materials, such as ropes, granular media, rigid boxes, and cloth, while adapting to different physical properties, including stiffness, granular size, and center of pressure. On prediction and manipulation tasks involving a diverse set of real-world deformable objects, our method exhibits superior prediction accuracy and task proficiency over non-material-conditioned and non-adaptive models. The project page is available at https://robopil.github.io/adaptigraph/ .
چکیده به فارسی (ترجمه ماشینی)
مدل های پیش بینی کننده یک مؤلفه مهم بسیاری از سیستم های رباتیک است.با این حال ، ساخت مدلهای پیش بینی دقیق برای انواع اشیاء تغییر شکل ، به ویژه آنهایی که دارای خصوصیات بدنی ناشناخته هستند ، یک چالش مهم است.در این مقاله Adaptigraph ، یک رویکرد مدل سازی دینامیک مبتنی بر یادگیری که روبات ها را قادر می سازد با پیش بینی ، سازگاری و کنترل طیف گسترده ای از مواد تغییر شکل به چالش کشیده با خصوصیات بدنی ناشناخته ، به معرفی می پردازد.Adaptigraph چارچوب دینامیک عصبی بسیار انعطاف پذیر مبتنی بر نمودار (GBND) را نشان می دهد ، که نمایانگر بیت های مادی به عنوان ذرات است و از یک شبکه عصبی نمودار (GNN) برای پیش بینی حرکت ذرات استفاده می کند.نوآوری کلیدی آن یک مدل GBND با تهویه دارای خاصیت فیزیکی یکپارچه است که قادر به پیش بینی حرکات مواد متنوع با خصوصیات فیزیکی متفاوت و بدون بازآفرینی است.پس از مواجهه با مواد جدید در هنگام استقرار آنلاین ، Adaptigraph از یک فرآیند بهینه سازی خاصیت فیزیکی برای سازگاری چند شات از مدل استفاده می کند و تناسب آن را با داده های تعامل مشاهده شده افزایش می دهد.مدلهای سازگار می توانند دقیقاً دینامیک را شبیه سازی کرده و حرکت مواد مختلف تغییر شکل مانند طناب ، رسانه های دانه ای ، جعبه های سفت و پارچه را پیش بینی کنند ، در حالی که با خصوصیات بدنی مختلف از جمله سفتی ، اندازه گرانول و مرکز فشار سازگار هستند.در مورد وظایف پیش بینی و دستکاری شامل مجموعه متنوعی از اشیاء تغییر شکل در دنیای واقعی ، روش ما دقت پیش بینی برتر و مهارت کار را نسبت به مدلهای غیر مادی و غیر سازگار نشان می دهد.صفحه پروژه در https://robopil.github.io/adaptigraph/ در دسترس است.
📚 محتوای این محصول آموزشی (پکیج کامل)
علاوه بر مقاله اصلی انگلیسی که دریافت می کنید، برای یادگیری عمیقتر و تسلط کامل بر مباحث مجموعهای از کتابهای آموزشی نیز ارائه میشود.
کتاب پرسش و پاسخ چهارگزینهای – نسخه یادگیری سریع
— پاسخها بلافاصله بعد از سؤال برای مرور سریع
مشاهده نمونه نسخه کوییز سریع
کتاب پرسش و پاسخ چهارگزینهای – نسخه خودآزمایی
— پاسخها در انتهای بخشها برای سنجش واقعی یادگیری
مشاهده نمونه نسخه آزمونی
🎯 این بسته یک دورهٔ آموزشی کامل و چندلایه است؛ شامل ویدیوهای آموزشی، کتابها، تمرینها و خودآزمایی.
ℹ️ نکات مهم هنگام خرید
این محصول به صورت فایل دانلودی کامل ارائه میشود.
توجه: لینکهای اختصاصی دوره طی حداکثر 24 ساعت پس از ثبت سفارش ارسال میشوند.
دقت کنید لینک ها به شماره موبایل شما ارسال می شوند. پس در ارائه شماره موبایل صحیح دقت کنید.
برای راهنمایی در مورد نحوه دانلود به شماره 09395106248 پیامک دهید یا تماس بگیرید. (ایده آل ترین گزینه ارسال پیام در یکی از پیام رسان ها به همین شماره است تا سریعا لینک های محصول همان جا برای شما ارسال گردد.)
اگر پرداخت انجام شده ولی بعد از 24 ساعت هنوز لینکها را دریافت نکردهاید، نام و نام خانوادگی و نام محصول را پیامک کنید تا
لینکها دوباره ارسال شوند.
💬 راههای ارتباطی پشتیبانی: واتساپ یا هر پیام رسان داخلی یا پیامک:
09395106248 تلگرام: @ma_limbs
