Ein weicher Griff für Roboter Hardware

Automation ist ein immer wichtigeres Thema, und Kern dieses Konzepts sind die oft gepaart Bereichen Robotik und maschinelles Lernen. Die Beziehung zwischen maschinellem Lernen und Robotik an die Verhaltenssteuerung von Robotern nicht nur begrenzt, sondern ist auch wichtig für ihr Design und Kernfunktionen. Ein Roboter, der in der realen Welt braucht betreibt seine Umwelt und sich selbst zu verstehen, um zu navigieren und Aufgaben ausführen.

Wenn die Welt vollkommen vorhersehbar war, dann wäre ein Roboter in Ordnung sein, ohne die Notwendigkeit bewegen, etwas Neues über seine Umgebung zu erfahren. Aber die Realität ist unberechenbar und sich ständig verändernden, so maschinelles Lernen Roboter auf unbekannte Situationen anpassen können. Obwohl dies für alle Roboter theoretisch wahr ist, ist es besonders wichtig für Weichkörperroboter als die physikalischen Eigenschaften davon sind intrinsisch weniger vorhersehbar als ihre starren Pendants.

„Nehmen Sie zum Beispiel einen Roboter mit pneumatischen künstlichen Muskeln (PAM), Gummi und faserbasierte Systeme flüssigkeits angetrieben, die zu bewegen ausdehnen und zusammenziehen“, sagte Associate Professor Kohei Nakajima von der Graduate School of Information Science and Technology. „PAMs leiden inhärent zufällige mechanische Geräusche und Hysterese, die im Laufe der Zeit im Wesentlichen Materialbeanspruchung ist. Die genaue laserbasierte Monitore Hilfe behalten die Kontrolle über Feedback, aber diese starren Sensoren schränken die Bewegung eines Roboters, so dass wir mit etwas Neuem kam.“

Nakajima und sein Team dachte, wenn sie ein PAM in Echtzeit modellieren könnte, dann könnten sie eine gute Kontrolle über sie halten. Doch die sich ständig verändernde Natur des PAMs gegeben, dann ist dies nicht realistisch mit traditionellen Methoden der mechanischen Modellierung. So das Team zu einer leistungsstarken und etablierten maschinellen Lernen Technik namens Reservoir Computing gedreht. Hier werden Informationen über ein System, in diesem Fall der PAM, in ein spezielles künstliches neuronales Netz in Echtzeit zugeführt wird, so dass das Modell immer verändert sich und passt sich somit für die Umwelt.

„Wir haben den elektrischen Widerstand von PAM Materialveränderungen gefunden während einer Kontraktion von seiner Form abhängig. Also haben wir diese Daten an das Netzwerk übergeben, so dass es genau auf den Zustand des PAM berichten kann“, sagte Nakajima. „Ordinary Gummi ist ein Isolator, so lesen wir Widerstand seines verschiedenen Kohlenstoff in unser Material leichter aufgenommen wird. Wir fanden das System den bestehenden Laser-Verschiebungssensor mit ebenso hohen Genauigkeit in einem Bereich von Testbedingungen emuliert.“

Dank dieser Methode kann eine neue Generation von Soft-Roboter-Technologie möglich. Dies könnte auch die Roboter, die Arbeit mit Menschen, zum Beispiel tragbare Rehabilitation Geräte oder biomedizinische Roboter, wie die zusätzlichen Soft-Touch-Mittel Interaktionen mit ihnen sind sanft und sicher.

„Unsere Studie legt nahe, Reservoir-Berechnung in Anwendungen neben der Robotik verwendet werden könnte. Fernerkundung, die in dezentral verarbeitet in Echtzeit Informationen benötigt, könnte von großem Nutzen“, sagte Nakajima. „Und andere Forscher, die neuromorphe Computing, intelligente Computersysteme, studieren könnten auch in der Lage sein, unsere Ideen in die eigene Arbeit zu übernehmen, die Leistung ihrer Systeme zu verbessern.“