Robotica

Nama  : Suryo Ari Sasmito

Kelas  : 3KA29

Fak/Jur : FIKTI/SISTEM-INFORMASI

ROBOTIKA

Robot adalah agen fisik yang melakukan tugas-tugas dengan memanipulasi dunia fisik. Untuk melakukannya, mereka dilengkapi dengan efektor seperti kaki, roda, sendi, dan Grippers. Efektor memiliki satu tujuan: untuk menegaskan kekuatan fisik pada lingkungan.Robot juga dilengkapi dengan sensor, yang memungkinkan mereka untuk memahami lingkungan mereka.

PERANGKAT KERAS ROBOT

Sensor 

Sensor adalah antarmuka persepsi antara robot dan lingkungan.Sensor pasif, seperti kamera, pengamat sejati lingkungan:mereka menangkap sinyal yang dihasilkan oleh sumber lain di lingkungan.Sensor aktif, seperti sonar, mengirim energi ke lingkungan.Pengukur jarakadalah sensor yang mengukur jarak ke obyek terdekat.     

Efektor   

        
Efektor adalah sarana yang robot bergerak dan mengubah bentuk tubuh mereka.Untuk memahami desain efektor, itu akan membantu untuk berbicara tentang gerak dan bentuk abstrak, menggunakan konsep derajat kebebasan (DOF) Kami menghitung satu derajat kebebasan untuk setiap arah independen di mana robot, atau salah satu dari yang efektor, bisa bergerak.

Mesin Belajar Dalam Persepsi Robot          

Pembelajaran mesin memainkan peran penting dalam persepsi robot. Salah satu pendekatan umum adalah untuk memetakan sensor dimensi aliran tinggi ke dalam ruang yang dimensi yang lebih rendah menggunakan mesin tanpa pengawasan metode pembelajaran. Pendekatan seperti ini disebut melekatkan dimensi rendah. Pembelajaran mesin memungkinkan untuk belajar sensor dan gerak model dari data, sedangkan multaneously menemukan sebuah representasi internal yang sesuai.

PERENCANAAN PERPINDAHAN TIDAK MENENTU

Tak satu pun dari robot algoritma gerak-perencanaan dibahas sejauh membahas karakteristik kunci dari masalah robotika: ketidakpastian. Dalam robotika, ketidakpastian muncul dari observasi parsial lingkungan dan dari stochastic (atau termodelkan) efek dari tindakan robot. Kesalahan juga dapat timbul dari penggunaan algoritma perkiraan seperti penyaringan partikel, yang tidak memberikan robot dengan negara keyakinan yang tepat bahkan jika sifat stochastic lingkungan dimodelkan sempurna.

Metode yang Kuat    

Sebuahmetode yang kuat adalah salah satu yang mengasumsikan jumlah dibatasi ketidakpastian dalam setiap aspek masalah, tetapi tidak menetapkan probabilitas untuk nilai-nilai dalam interval diperbolehkan. Sebuah solusi kuat adalah salah satu yang bekerja tidak peduli apa nilai yang sebenarnya terjadi, asalkan mereka berada dalam interval diasumsikan.

BERGERAK

Dinamika dan Kontrol    

    
Pada prinsipnya, kita bisa memilih untuk merencanakan gerakan robot dengan bantuan model dinamis, bukan model kinematik kami. Pendekatan seperti itu akan menyebabkan robot kinerja yang lebih baik, jika kita bisa menghasilkan rencana. Namun, keadaan dinamis memiliki dimensi lebih tinggi dari ruang kinematik, dan kutukan dimensi akan algoritma perencanaan banyak gerak tidak berlaku untuk semua orang, tapi untuk membuat robot yangpaling sederhana.

Potensi Kontrol Lapangan   

Minimum global merupakan konfigurasi objek, dan nilai adalah jumlah dari jarak ke konfigurasi target dan kedekatan hambatan. Tidak ada perencanaan terlibat digambarkan dalam generasi medan potensial. Karena bidang potensi ini cocok untuk kontrol real-time. Dalam banyak aplikasi, bidang potensial dapat efisien dihitung untuk konfigurasi tertentu. Selain itu, optimalisasi potensi sebesar menghitung gradien potensial untuk konfigurasi robot ini. Perhitungan ini dapat sangat efektif, terutama bila dibandingkan dengan algoritma jalan, yang semuanya secara eksponensial dalam dimensi dalam kasus terburuk dari ruang konfigurasi (DOFs).

Kontrol Reaktif         

Sejauh ini kita telah dianggap keputusan kontrol yang memerlukan beberapa model lingkungan untuk membangun baik path referensi atau bidang potensial. Ada beberapakesulitan dengan ini pendekatan. Pertama, model yang cukup akurat sering sulit diperoleh, terutama dalam lingkungan yang kompleks atau terpencil, seperti permukaan Mars, atau robot yang memiliki beberapa sensor. Kedua, bahkan dalam kasus di mana kita biasmerancang model dengan akurasi yang memadai, kesulitan komputasi dan kesalahanlokalisasi mungkin membuat teknik ini tidak praktis. Dalam beberapa kasus, arsitektur agenreflex menggunakan control reaktif lebih tepat.

Penguatan Kontrol Belajar  

Salah satu bentuk yang sangat menarik dari control didasarkan pada form pencariankebijakan penguatan belajar. Pekerjaan ini telah sangat berpengaruh dalam beberapa tahunterakhir, yaitu telah memecahkan menantang masalah robotika yang sebelumnya tidak adasolusi ada.

DOMAIN APLIKASI

Beberapa aplikasi domain utama untuk teknologi robot meliputi, Industri dan Pertanian,Transportasi, Perawatan kesehatan, Lingkungan yang berbahaya, Eksplorasi, Hiburan, danArgumentasi manusia.

sumber :
http://fourtyeights.blogspot.com/2017/01/rangkuman-tugas-softskill-tentang.html