Роботы могут быть сделаны из мягких материалов, но гибкость этих роботов ограничен включением жестких датчиков, необходимых для их контроля. Исследователи создали встроенных датчиков, замена жестких датчиков, которые предлагают ту же функциональность, но позволить роботу большую гибкость. Мягкие роботы могут оказаться более приспособленными и устойчивыми, чем более традиционной жесткой конструкции. Команда использовала передовые технологии машинного обучения, чтобы создать свой дизайн.
Автоматизация становится все более важным предметом, и ядро этой концепции-это часто в областях робототехники и машинного обучения. Взаимоотношения машинного обучения и робототехники не просто ограничивается поведенческим контролем роботов, но также важно для их проектирования и основные функции. Робот, который действует в реальном мире, должен понимать свою среду и себя для того, чтобы ориентироваться и выполнять задания.
Если бы мир был полностью предсказуем, то робот будет нормально передвигаться без необходимости, чтобы узнать что-то новое об окружающей его среде. Но реальность непредсказуема и постоянно меняется, поэтому машинное обучение помогает роботам адаптироваться к незнакомой ситуации. Хотя теоретически это верно для всех роботов, это особенно важно для мягкотелых роботов, как физические свойства этих, по сути, являются менее предсказуемыми, чем их жесткие аналоги.
«Возьмите, например, робот с пневматическим искусственным мышцам (Пэм), резиновой и волокнистой основе с гидравлическим приводом системы, которые расширяются и сжимаются двигаться», — сказал доцент Кохэй Накасима из Высшей школы информационных наук и технологий. «Чук, изначально пострадать случайные механические шумы и гистерезис, который является по существу материальными стресс с течением времени. Точный лазерные мониторы помогают сохранить контроль через обратную связь, но эти жесткие датчики ограничения движения робота, так мы придумали что-то новое».
Накадзима и его команда думали, что если они могли бы модель Пэм в режиме реального времени, тогда они могли бы поддерживать хороший контроль. Однако, учитывая постоянно меняющийся характер Чук, это не реально с традиционными методами механического моделирования. Так что команда превратилась в мощный и проверенный метод машинного обучения называется коллектора вычислений. Это где информация о системе, в этом случае Пэм, подается в специальной искусственной нейронной сети в реальном времени, поэтому модели постоянно меняется и таким образом приспосабливается к окружающей среде.
«Мы обнаружили, что электрическое сопротивление пам существенные изменения в зависимости от своей формы во время схватки. Поэтому мы передаем эти данные в сети, поэтому он может точно сообщить о состоянии пам», — сказал Накадзима. «Обычная резина является диэлектриком, поэтому мы включили углерода в нашем материале легко читать его различной устойчивости. Мы выяснили, что система эмулируется существующего лазерного датчика смещения с одинаково высокой точностью в диапазоне условий испытания».
Благодаря этому методу, новое поколение мягкой робототехники может быть возможно. Сюда можно отнести роботов, которые работают с людьми, на примере реабилитационных устройств, носимых или биомедицинских роботов, а дополнительные мягкие средства взаимодействия с ними являются мягким и безопасным.
«Наше исследование предполагает коллектора вычислений могут быть использованы в приложениях, кроме робототехники. Дистанционное зондирование приложений, которые нуждаются в реальном времени информация обрабатывается децентрализованно, мог бы принести огромную пользу», — сказал Накадзима. «И другие исследователи, которые изучают нейроморфных вычислений — интеллектуальные компьютерные системы — также может включать в себя наши идеи в свои работы, чтобы повысить производительность своих систем».
сделать разницу: спонсорские возможности
Ответить
Хотите присоединиться к обсуждению?Не стесняйтесь вносить свой вклад!