以下三個影片，依序為：

場景一：改變夾取物件的位置

在收集訓練資料時，我們刻意將夾取物件放置於不同位置，以避免語言命令特徵過度依賴物件的位置，而忽略物件本身的特徵。在場景一中，我們改變了物件的位置，並額外加入其他物件，進行模擬實驗測試。

場景二：改變 Gazebo 模擬環境的背景顏色

本專題研究結合機械手臂、亂物夾取技術及 AI 瑕疵檢測技術，針對金屬物件進行瑕疵檢測與分類。整體研究分為三個主要部分：

本專題研究開發了一種創新的助行車避障策略，特別針對水坑這類非典型障礙物，採用影像深度學習技術進行避障。傳統自主移動式機器人（Autonomous Mobile Robots, AMR）通常依賴雷達、深度感測器或單純的影像處理來實現避障。然而，這些方法在檢測平面障礙物（如水坑）時，往往因為障礙物表面反射或影像數據的複雜性而遭遇挑戰。

本專題聚焦於生產流程中的瑕疵檢測，開發出一套能在生產線即時檢測並排除瑕疵金屬物的自動化系統。具體流程如下：利用攝影機即時拍攝鋁塊影像，結合YOLOv5深度學習模型進行瑕疵判斷，模型計算鋁塊的質心座標，並將結果透過MQTT協議傳輸至控制機械手臂的電腦端。若檢測到瑕疵，機械手臂會將該鋁塊夾取並放入指定籃子；若未檢測到瑕疵，鋁塊則隨輸送帶繼續前進。

• Setup the Environment on Jetson orin nano / nx
  • https://blog.csdn.net/ViatorSun/article/details/129909317
  • http://ihsumlee.bounceme.net/node/75 
• Setup the Environment on Edge Device (RP4):
  • Step 1: Install Ubuntu 22.04 on RP4 (https://ubuntu.com/download/raspberry-pi

Papers we should take account into: CVPR

What is intra frame and inter frame: Intraframe coding不會參考其它的影像資訊，所以intraframe 也可以說是（Still Image）靜止影像的編碼。Interframe Coding則必須參考其它的影像資料。

From [1]: