ROBOTIKA DAN ARTIFICIAL INTELEGENCE
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 jarak adalah 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.
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 jarak adalah 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.
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.
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 yang paling sederhana. Oleh karena itu sistem robot praktis sering menggunakan sederhana perencana kinematik jalan.
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 beberapa kesulitan 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 bias merancang model dengan akurasi yang memadai, kesulitan komputasi dan kesalahan lokalisasi mungkin membuat teknik ini tidak praktis. Dalam beberapa kasus, arsitektur agen reflex menggunakan control reaktif lebih tepat.
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 yang paling sederhana. Oleh karena itu sistem robot praktis sering menggunakan sederhana perencana kinematik jalan.
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 beberapa kesulitan 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 bias merancang model dengan akurasi yang memadai, kesulitan komputasi dan kesalahan lokalisasi mungkin membuat teknik ini tidak praktis. Dalam beberapa kasus, arsitektur agen reflex menggunakan control reaktif lebih tepat.
Penguatan Kontrol Belajar
Salah satu bentuk yang sangat menarik dari control didasarkan pada form pencarian kebijakan penguatan belajar. Pekerjaan ini telah sangat berpengaruh dalam beberapa tahun terakhir, yaitu telah memecahkan menantang masalah robotika yang sebelumnya tidak ada solusi ada.
Salah satu bentuk yang sangat menarik dari control didasarkan pada form pencarian kebijakan penguatan belajar. Pekerjaan ini telah sangat berpengaruh dalam beberapa tahun terakhir, yaitu telah memecahkan menantang masalah robotika yang sebelumnya tidak ada solusi ada.
DOMAIN APLIKASI
Beberapa aplikasi domain utama untuk teknologi robot meliputi, Industri dan
Pertanian, Transportasi, Perawatan kesehatan, Lingkungan yang berbahaya, Eksplorasi, Hiburan, dan Argumentasi manusia.
ARTIFICIAL INTELEGENCE
Kecerdasan buatan (Artificial
Intelligence) merupakan suatu inovasi baru dalam ilmu pengetahuan. Adanya
kecerdasan buatan dimulai sejak munculnya komputer modern pada tahun 1940
dan tahun 1950. Ini merupakan kemampuan mesin-mesin elektronika baru untuk
menyimpan sejumlah besar info dan memprosesnya dengan kecepatan yang sangat
tinggi menandingi kemampuan manusia. Mulai dari sinilah telah banyak realisasi
yang terjadi. Hal ini terbukti dengan adanya sistem komputer yang menyusut
dalam ukuran. Selain itu pertambahan memori dalam kapasitas penyimpanan secara
langsung yang mana semua itu sama dengan kapasitas penyimpanan pada otak
manusia.
Ada beberapa pengertian kecerdasan buatan
antara lain :
1. Kecerdasan buatan adalah
cabang ilmu komputer yang berhubungan dengan studi dan kreasi sistem komputer
yang mempertunjukkan beberapa bentuk kecerdasan.
2. Sistem yang mempelajari
konsep-konsep baru dan tugas-tugas.
3. Sistem yang dapat berfikir
dan menarik kesimpulan yang berguna bagi lingkungan sekitar kita.
4. Sistem yang dapat
mengerti bahasa dan memahami pemandangan visual.
5. Sistem yang
melakukan tipe-tipe yang lain seperti prestasi yang membutuhkan kecerdasan
manusia.
Perbandingan
Kecerdasan Alami dan Kecerdasan Buatan
Jika dibandingkan dengan kecerdasan alami (kecerdasan yang dimiliki oleh
manusia), kecerdasan buatan memiliki beberapa keuntungan secara komersial
antara lain :
a. Kecerdasan
buatan lebih bersifat permanen.
b. Kecerdasan
butan lebih mudah diduplikasi dan disebarkan.
c. Kecerdasan
butan lebih murah
d. Kecerdasan
buatan lebih konsisten
e. Kecerdasan
buatan dapat didokumentasikan
f. Kecerdasan
buatan dapat mengerjakan pekerjaan lebih cepat
g. Kecerdasan
buatan dapat mengerjakan pekerjaan lebih baik.
Sedangkan keuntungan dari
kecerdasan alami adalah :
a. Kreatif.
Kemampuan untuk menambah ataupun memenuhi pengetahuan itu sangat melekat pada
jiwa manusia. Pada kecerdasan buatan, untuk menambah pengetahuan harus
dilakukan melalui sistem yang dibangun.
b. Kecerdasan
alami memungkinkan orang untuk menggunakan pengalaman secara langsung.
Sedangkan pada kecerdasan buatan harus bekerja dengan input-input simbolik.
c. Pemikiran
manusia dapat digunakan secara luas, sedangkan kecerdasan buatan sangat
terbatas.
Bidang aplikasi Kecerdasan Buatan
·
Game (permainan)
·
Pembuktian teorema
·
Sistem Pakar (Expert Systems)
·
Robotika
·
Computer Vision
·
Natural Language Processing & Understanding
·
Machine Learning
·
Intelligent Tutor
·
Dll
Tujuan
AI
1. Tujuan utama
dari kecerdasan buatan adalah membuat komputer agar lebih berguna dan mengerti
prinsip-prinsip yang memungkinkan untuk menjadi cerdas. Prinsip-prinsip
tersebut termasuk penggunaan stuktur data di dalam representasi ilmu
pengetahuan, algoritma-algoritma yang diterapkan dalam ilmu pengetahuan, bahasa
beserta teknik-teknik pemrograman yang digunakan dalam implementasinya.
2. Memahami apa
itu kecerdasan buatan (tujuan ilmiah)
3. Membuat
mesin lebih bermanfaat (tujuan entrepreneur)
.
Sejarah Kecerdasan Buatan
Kecerdasan buatan termasuk
bidang ilmu yang relatif muda. Pada tahun 1950-an para ilmuan dan peneliti
mulai memikirkan bagaimana caranya agar mesin dapat melakukan pekerjaannya
seperti yang bisa dikerjakan oleh manusia. Alan Turing seorang matematikawan
dari Inggris pertama kali mengusulkan adanya tes untuk melihat bisa tidaknya
sebuah mesin dikatakan cerdas. Hasil tes tes tersebut kemudian dikenal dengan
Turing Test, dimana si mesin tersebut menyamar seolah-olah sebagai seseorang di
dalam suatu permainan yang mampu memberikan respon terhadap serangkaian
pertanyaan yang diajukan. Turing beranggapan bahwa, jika mesin dapat membuat
seseorang percaya bahwa dirinya mampu berkomunikasi dengan orang lain, maka
dapat dikatakan bahwa mesin tersebut cerdas (seperti layaknya manusia).
KESIMPULAN:
Dalam perkuliahan di
mata kuliah softskill ini saya dapat mempelajari apa itu AI(Artificial
Intelligence) atau biasa disebut juga kecerdasan buatan dan mempelajari tentang
Robotika. Didalam AI(artificial intelligence) saya dapat mengetahui tujuan
utama dari kecerdasan buatan yaitu membuat komputer agar lebih berguna dan
mengerti prinsip-prinsip yang memungkinkan untuk menjadi cerdas. Konsep dasar
dari AI dan sub disiplin dalam ilmu AI. Bidang aplikasi
kecerdasan buatan yang sudah ada seperti, Game (permainan), Pembuktian teorema,
Sistem Pakar (Expert Systems), Robotika,Computer Vision, Natural Language
Processing & Understanding, Machine Learning, Intelligent Tutor,dll.
Sedangkan didalam materi Robotika saya dapat mengetahui tentang apa saja yang
ada dalam robotika, perangkat keras yang ada di robotika yang terdiri dari
sensor dan efektor. Persepsi robotik yang terdiri dari lokasisasi dan
pemetaan,jenis persepsi lain dan mesin belajar dalam persepsi robot.
Perencanaan untuk perpindahan robotik yang terdiri dari ruang
konfigurasi,metode sel dekomposisi,fungsi biaya dimodifikasi dan metode
skeletonisasi.