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