Robotik-Software

Das Robot Operating System, oder ROS, ist das am weitesten verbreitete Open-Source-Robotik-Software-Framework, das Software-Bibliotheken bereitstellt, die Sie bei der Entwicklung von Robotikanwendungen unterstützen. AWS RoboMaker bietet Cloud-Erweiterungen für ROS, so dass Sie die ressourcenintensiveren Rechenprozesse, die typischerweise für intelligente Robotikanwendungen benötigt werden, in die Cloud auslagern und lokale Rechenressourcen bereitstellen können.

RoboMaker Cloud-Erweiterungen für ROS umfassen Dienste wie Amazon Kinesis Video Streams für Video-Streaming, Amazon Rekognition für Bild- und Videoanalyse, Amazon Lex für Spracherkennung, Amazon Polly für Sprachgenerierung und Amazon CloudWatch für Protokollierung und Überwachung. RoboMaker stellt jeden dieser Cloud-Services als Open-Source-ROS-Pakete zur Verfügung, so dass Sie die Funktionen Ihres Roboters erweitern können, indem Sie die Vorteile von Cloud-APIs nutzen, und zwar in einem vertrauten Software-Framework.

Weitere Informationen zu den einzelnen Cloud-Service-Erweiterungen erhalten Sie im Code Repository.

AWS RoboMaker unterstützt das ROS Kinetic-Release. Weitere Informationen dazu finden Sie hier:

Beispielanwendungen

AWS RoboMaker enthält Beispiel-Robotik-Anwendungen, die Ihnen einen schnellen Einstieg ermöglichen. Diese bilden den Ausgangspunkt für die Sprachbefehls-, Erkennungs-, Überwachungs- und Flottenmanagementfunktionen, die typischerweise für intelligente Robotikanwendungen erforderlich sind. Beispielanwendungen werden mit Robotik-Anwendungscode (Anweisungen zur Funktionalität Ihres Roboters) und Simulations-Anwendungscode (Definition der Umgebung, in der Ihre Simulationen ausgeführt werden) geliefert. Sie können hier mit den Beispielen beginnen. 

Hallo Welt

Erlernen Sie die Grundlagen zur Strukturierung von Roboter- und Simulationsanwendungen, Codebearbeitung, Erstellung und Start neuer Simulationen sowie der Bereitstellung von Anwendungen für Roboter. Beginnen Sie mit einer einfachen Projektvorlage mit einem Roboter in einer leeren Simulationswelt.

  • Verwenden Sie Gazebo, um neue Simulationswelten zu erstellen, indem Sie Modelle einfügen, die Kameraansicht steuern und eine Simulationsanwendung wiedergeben und anhalten.
  • Verwenden Sie Amazon CloudWatch Logs und einen Amazon S3 Output Bucket, um Protokolle für die Roboter- und Simulationsanwendungen anzuzeigen.
  • Verwenden Sie das Terminal, um ROS-Befehle auszuführen.
 
Weitere Informationen erhalten Sie im Code Repository oder in der Dokumentation.

Erfahren Sie mehr über Roboternavigation, Video-Streaming, Gesichtserkennung und Text-to-Speech. Ein Roboter navigiert zwischen den Zielorten in einem simulierten Zuhause und erkennt Gesichter auf Fotos. Der Roboter streamt Kamerabilder an Amazon Kinesis Video Streams, erhält Gesichtserkennungsergebnisse von Amazon Rekognition und spricht die Namen von erkannten Personen aus, die Amazon Polly verwenden.

  • Verwenden Sie „rqt“, um die simulierten Kamerabilder anzuzeigen, die an Amazon Kinesis Video Streams übertragen werden.
  • Mit Hilfe von „rviz“ können Sie die SLAM-Karte (Simultane Lokalisierung und Zuordnung) des Roboters und deren Planungszustand anzeigen.
  • Über das Terminal können Sie die Ergebnisse der Amazon Rekognition einsehen.
 
Weitere Informationen erhalten Sie im Code Repository oder in der Dokumentation.

Sprachbefehle

Steuern Sie mit Amazon Lex einen Roboter durch natürlich gesprochene Texte und ihre Stimme in einer simulierten Buchhandlung. Zu den Standardbefehlen gehören unter anderem „bewegen <direction> <rate>“, „drehen <direction> <rate>“ und „stoppen“. Der Roboter bestätigt die einzelnen Befehle und führt sie aus.

  • Mit dem Terminal können Sie natürlichsprachliche Bewegungsbefehle senden, die von Amazon Lex interpretiert werden sollen (z. B. „5 vorwärts bewegen“, „5 im Uhrzeigersinn drehen“ und „stoppen“).
  • Mit Hilfe von Amazon CloudWatch-Metriken können Sie die Ausführung von Befehlen, Entfernungen zu den nächstgelegenen erkannten Hindernissen und Kollisionen überwachen.
 
Weitere Informationen erhalten Sie im Code Repository oder in der Dokumentation.

Roboterüberwachung

Überwachen Sie die Zustands- und Betriebskennzahlen für einen Roboter in einer simulierten Buchhandlung mit Hilfe von Amazon CloudWatch-Metriken und Amazon CloudWatch logs. Zu den gestreamten Kennzahlen gehören Geschwindigkeit, Entfernung zum nächsten Hindernis, Entfernung zum aktuellen Ziel, Kollisionszählung, CPU-Auslastung des Roboters und RAM-Auslastung.

  • Verwenden Sie Amazon CloudWatch-Metriken, um den Zustand und die Leistung des Roboters zu überprüfen.
  • Mit Gazebo können Sie Hindernisse in der Nähe des Roboters fallen lassen und die daraus resultierenden Kennzahlen einsehen.
 
Weitere Informationen erhalten Sie im Code Repository oder in der Dokumentation.

Objektverfolgung mit Reinforcement Learning

Bringen Sie einem Roboter bei, ein Objekt durch Reinforcement Learning in der Simulation mit Hilfe der Coach Reinforcement Learning-Bibliothek zu verfolgen, und übertragen Sie diese Fähigkeit dann auf einen Roboter. Sehen Sie sich die Belohnungsmetriken in Amazon Cloudwatch-Metriken an, um zu erfahren, wie sich das Machine Learning-Modell im Laufe der Zeit verbessert. Passen Sie Ihre Belohnungsfunktion an, um den für das Training verwendeten Machine Learning-Algorithmus zu verbessern.

  • Verwenden Sie Gazebo, um mit verschiedenen Positionen eines zu verfolgenden Objekts zu experimentieren.
  • Mit Hilfe von „rviz“ können Sie den Roboter so betrachten, wie er in der Simulation trainiert.
  • Trainieren und bewerten Sie Modelle mit Hilfe der Coach Reinforcement-Bibliothek.
 
Weitere Informationen erhalten Sie im Code Repository oder in der Dokumentation.

Selbstfahren mit Reinforcement Learning

Bringen Sie einem Rennwagen bei, durch Reinforcement Learning mit Hilfe der Coach Reinforcement Learning-Bibliothek in einer Simulation zu fahren, und übertragen Sie diese Fähigkeit dann auf einen Roboter. Sehen Sie sich die Belohnungsmetriken in Amazon Cloudwatch-Metriken an, um zu erfahren, wie sich das Machine Learning-Modell im Laufe der Zeit verbessert. Passen Sie Ihre Belohnungsfunktion an, um den für das Training verwendeten Machine Learning-Algorithmus zu verbessern.

  • Mit Hilfe von Gazebo und „rviz“ können Sie den Rennwagen so betrachten, wie er in der Simulation trainiert.
  • Verwenden Sie Amazon CloudWatch Logs, um die Leistung eines Autos zu verfolgen.
  • Trainieren und bewerten Sie Modelle mit Hilfe der Coach Reinforcement-Bibliothek.
 
Weitere Informationen erhalten Sie im Code Repository oder in der Dokumentation.

Simulations-Assets

Wir haben zusätzliche Umgebungen erstellt, die Sie mit Ihren Robotern verwenden können. Sie können zum Testen der Gesichtserkennung, der Navigation, der Vermeidung von Hindernissen und des Machine Learning verwendet und für Ihre Szenarien modifiziert werden. 

Haus

RoboMaker-House

Ein kleines Haus mit Küche, Wohnzimmer, Fitnessstudio und Bildern, die Sie anpassen können, um die Bilderkennung zu testen. Es gibt viele Hindernisse für Ihren Roboter, um zu navigieren.

Weitere Informationen »

Buchladen

RoboMaker-Bookstore

Navigieren Sie in diesem simulierten Buchladen durch die Bücherregale. Er enthält verschiedene Hindernisse, darunter Stühle und Tische, für Ihren Roboter zu navigieren.

Weitere Informationen »

Rennstrecke

RoboMaker-Racetrack

Verwenden Sie Machine Learning, um Ihrem Roboter beizubringen, auf dieser Rennstrecke zu bleiben. Die Rennstrecke ist oval mit klaren Kantenmarkierungen. Auf die Plätze, fertig, los!

Weitere Informationen »

Workshops und Tutorials

Workshop

Hallo Welt! Erste Schritte mit AWS RoboMaker

In diesem Workshop erfahren Sie mehr über die ersten Schritte bei der Entwicklung von intelligenten Roboteranwendungen mit AWS RoboMaker. Sie haben auch die Möglichkeit, Roboteranwendungen sowohl in einer simulierten Umgebung als auch in einem Produktionsroboter zu verwalten und bereitzustellen (erfordert einen TurtleBot 3 Burger).

Weitere Informationen »
Workshop

Suche nach Marsianern mit AWS RoboMaker und dem JPL Open Source Rover

In diesem Workshop lernen Sie AWS RoboMaker kennen und erfahren mehr über die Simulation des JPL Mars Open Source Rover von der NASA. Dabei erhalten Sie umfassende Informationen zur Integration von AWS RoboMaker in Services wie Machine Learning, Überwachung und Analyse. Durch diese Integration können Sie sicherstellen, dass Ihr Mars Rover Daten streamen, navigieren, kommunizieren, verstehen und lernen kann.

Weitere Informationen »
Tutorial

So trainieren Sie einen Roboter mit Reinforcement Learning

Reinforcement Learning (RL) ist eine fortschrittliche Technik des Machine Learning (ML), mit der sehr komplexe Verhaltensweisen erlernt werden können, ohne dass dafür etikettierte Trainingsdaten erforderlich sind, und mit der kurzfristige Entscheidungen getroffen werden können, während gleichzeitig für ein längerfristiges Ziel optimiert wird. Mit der AWS RoboMaker-Beispielanwendung können Sie simulierte Trainingsdaten für RL generieren. Das RL-Modell bringt dem Roboter bei, ein Objekt zu nachzuverfolgen und zu folgen. Dies ist eine einfache Demonstration, die auf Anwendungsfälle wie die Unterstützung von Arbeitern in einem Lager oder einem Unterhaltungsroboter, der einen Verbraucher in seinem Zuhause folgt, ausgeweitet werden kann.
Weitere Informationen »
Tutorial

Führen Sie ROS mit AWS RoboMaker auf mehreren Computern aus

In vielen Fällen muss ein Roboterentwickler oder -forscher das Roboterbetriebssystem (ROS) auf mehreren Computern ausführen. In diesem Lernprogramm erfahren Sie, wie Sie ROS auf einer virtuellen Maschine einrichten, die unter AWS ausgeführt wird, wie Sie Ihren physischen Roboter mit der virtuellen Maschine verbinden und wie Sie ein verteiltes ROS-System für mehrere Maschinen erstellen. Dadurch wird die Entwicklung Ihrer Roboteranwendung optimiert.  

Weitere Informationen »
Tutorial

Führen Sie ROS-Lernprogramme mit AWS RoboMaker aus

In diesem Tutorial zeigen wir Ihnen, wie Sie in AWS RoboMaker eine Umgebung einrichten, um Robot Operating System (ROS) zu erlernen. Die Tutorials umfassen: Einführung in ROS, Erstellen von Knoten, einfache Kinematik für mobile Roboter, visuelle Objekterkennung, Ausführen von ROS auf mehreren Computern, SLAM-Navigation, Pfadplanung, Erkundung unbekannter Umgebungen und Objektsuche.
Weitere Informationen »
Tutorial

ROSbot + AWS Robomaker – Schnellstart-Tutorial

Der Husarion ROSbot 2.0 ist eine autonome Open-Source-Roboterplattform. Es kann als Lernplattform für Robot Operating System (ROS) sowie als Basis für eine Vielzahl von Roboteranwendungen wie Forschungsroboter, Inspektionsroboter, kundenspezifische Serviceroboter usw. verwendet werden. In diesem Lernprogramm werden Sie vom Auspacken über das Starten und Bereitstellen von Anwendungen mit AWS RoboMaker geführt.
Weitere Informationen »

Videos

Verwenden von Reinforcement Learning mit AWS RoboMaker (4:17)
Deploying Robotic Applications Using Machine Learning with Nvidia JetBot and AWS RoboMaker (32:04)

Blogs

Zurzeit sind keine Blog-Beiträge vorhanden. Weitere Ressourcen finden Sie im AWS-Blog

Product-Page_Standard-Icons_01_Product-Features_SqInk
Schauen Sie sich die häufig gestellten Fragen an.

Weitere Informationen über AWS RoboMaker finden Sie auf der Seite „Häufig gestellte Fragen“.

Weitere Informationen 
Product-Page_Standard-Icons_02_Sign-Up_SqInk
Registrieren Sie sich und erhalten Sie ein kostenloses Konto

Sie erhalten sofort Zugriff auf das kostenlose AWS-Kontingent. 

Registrieren 
Product-Page_Standard-Icons_03_Start-Building_SqInk
Beginnen Sie mit der Entwicklung in der AWS-Konsole

Erste Schritte beim Entwickeln mit AWS RoboMaker.

Anmeldung