AWS RoboMaker – Ressourcen

Entwicklerhandbuch | API-Referenzen

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:

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. 

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.

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.
  

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.
  

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.
  

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.
  

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.
  

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.