MIT၊ Columbia နှင့် Princeton တက္ကသိုလ်များမှ အင်ဂျင်နီယာများနှင့်အတူ Google မှ developer များသည် ကျပန်းသေးငယ်သော အရာဝတ္ထုများကို ဖမ်းပြီး ကွန်တိန်နာထဲသို့ ပစ်ချနိုင်သော စက်ရုပ် TossingBot ကို ဖန်တီးခဲ့သည်။
ပရောဂျက်ရေးသားသူတွေက စက်ရုပ်ကို ဖန်တီးဖို့ အများကြီး ကြိုးစားခဲ့ရတယ်လို့ ဆိုပါတယ်။ အထူးခြယ်လှယ်သူ၏အကူအညီဖြင့်၊ သူသည် ကျပန်းအရာဝတ္ထုများကိုဖမ်းယူရုံသာမက ကွန်တိန်နာထဲသို့ တိကျစွာပစ်ချနိုင်သည်။ ဘာသာရပ်ရွေးချယ်မှုသည် နောက်ထပ်လုပ်ဆောင်မှုများ၏ လုပ်ဆောင်နိုင်မှုအပေါ် အချို့သောအခက်အခဲများကို ဖြစ်ပေါ်စေကြောင်း မှတ်သားရပါသည်။ စွန့်ပစ်ခြင်းမပြုမီ၊ ယန္တရားသည် အရာဝတ္ထု၏ ပုံသဏ္ဍာန်နှင့် ၎င်း၏အလေးချိန်ကို အကဲဖြတ်ရပါမည်။ ဤလုပ်ဆောင်ချက်များကို လုပ်ဆောင်ပြီးနောက်၊ ဖမ်းယူထားသော အရာဝတ္တုကို ကွန်တိန်နာသို့ ပို့လိုက်သောကြောင့် ဆုံးဖြတ်ချက်ကို လုပ်ဆောင်ချက်အဖြစ် ပြောင်းလဲပါသည်။ သုတေသီများသည် TossingBot ကို သာမန်လူကဲ့သို့ အရာဝတ္ထုများ ပစ်ချရန် ဆန္ဒရှိခဲ့ကြသည်။
ထွက်ပေါ်လာသော ယန္တရားသည် ကားတပ်ဆင်ရေးလိုင်းများတွင် အသုံးပြုသည့် စက်ရုပ်လက်နက်များနှင့် ဆင်တူသည်။ လှုပ်ရှားမှုတွင် စက်ရုပ်သည် ၎င်း၏လက်မောင်းကို ကွေးနိုင်၊ သေတ္တာထဲမှ အရာဝတ္ထုတစ်ခုကို ထုတ်ယူကာ ၎င်း၏အလေးချိန်နှင့် ပုံသဏ္ဍာန်ကို ခန့်မှန်းကာ ပစ်မှတ်အဖြစ် သတ်မှတ်သည့် ကွန်တိန်နာ၏ အကန့်တစ်ခုထဲသို့ ပစ်ချနိုင်သည်။ လိုချင်သောရလဒ်ရရှိရန်၊ Developer များသည် TossingBot အား အရာဝတ္ထုများကိုစကင်န်ဖတ်ရန်၊ ၎င်းတို့၏ဂုဏ်သတ္တိများကိုဆုံးဖြတ်ရန်၊ အရာဝတ္ထုတစ်ခုကို ကျပန်းရွေးချယ်ပြီးနောက် ပစ်မှတ်ကိုဖမ်းယူရန် သင်ကြားပေးခဲ့သည်။ ထို့နောက် စုဆောင်းရရှိထားသော ဒေတာများအပေါ် အခြေခံ၍ စက်ပြင်လက်ရုံးသည် မည်သည့်အရာဝတ္ထုအား ပစ်ချသင့်သည်နှင့် မည်သည့်လမ်းကြောင်းတစ်လျှောက်တွင် တွန်းအားပေးဆုံးဖြတ်နိုင်စေရန် စက်သင်ယူမှုကို အသုံးချခဲ့သည်။
စမ်းသပ်ခြင်းတွင် စက်ရုပ်သည် ဖြစ်ရပ်များ၏ 87% တွင် အရာဝတ္ထုကို ဖမ်းယူနိုင်ခဲ့ကြောင်း ပြသခဲ့ပြီး နောက်ဆက်တွဲပစ်ချခြင်း၏ တိကျမှုမှာ 85% ဖြစ်သည်။ ထင်ရှားသည်မှာ၊ အင်ဂျင်နီယာများသည် TossingBot ၏တိကျမှုကို ကွန်တိန်နာထဲသို့ ပစ္စည်းများကိုယ်တိုင်ပစ်ချခြင်းဖြင့် ပုံတူပွားနိုင်ခြင်း မရှိခဲ့ပါ။
source: 3dnews.ru