یک لمس نرم برای سخت افزار روباتیک
روبات ها را می توان از مواد نرم ساخت ، اما انعطاف پذیری چنین روبات ها با درج سنسورهای سفت و سخت لازم برای کنترل آنها محدود است. محققان سنسورهای تعبیه شده ای را جایگزین سنسورهای سفت و سخت ساخته اند که عملکرد مشابهی را ارائه می دهند اما به ربات انعطاف پذیری بیشتری می دهند. روبات های نرم می توانند از طراحی های سفت و سخت تر و سنتی تر سازگار و انعطاف پذیر باشند. این تیم از تکنیک های یادگیری ماشین برش برای ایجاد طراحی خود استفاده کردند.
اتوماسیون موضوعی است که اهمیت فزاینده ای دارد و هسته اصلی این مفهوم زمینه های زوج غالباً رباتیک و یادگیری ماشین است . رابطه بین یادگیری ماشین و رباتیک فقط به کنترل رفتاری روبات ها محدود نمی شود بلکه برای طراحی و عملکردهای اصلی آنها نیز مهم است. روباتی که در دنیای واقعی فعالیت می کند ، برای حرکت و انجام وظایف ، باید محیط و خود را درک کند.
اگر جهان کاملاً قابل پیش بینی باشد ، بدون نیاز به یادگیری چیزهای جدیدی در مورد محیط زیست ، یک ربات خوب حرکت می کند. اما واقعیت غیرقابل پیش بینی و در حال تغییر است ، بنابراین یادگیری ماشین به روبات ها کمک می کند تا با موقعیت های ناآشنا سازگار شوند. اگرچه این موضوع از نظر تئوریک برای همه روبات ها صادق است ، از این رو برای روبات های نرم نرم از اهمیت ویژه ای برخوردار است زیرا خصوصیات بدنی این ها از لحاظ روحی و روانی کمتر از همتایان سفت و سخت آنها قابل پیش بینی است.
دانشیار کوهی ناکاجیما از دانشکده تحصیلات تکمیلی علوم و فنون اطلاعات گفت: "مثلاً یک ربات را با عضلات مصنوعی پنوماتیک (PAM) ، سیستم های مبتنی بر مایعات و لاستیک مبتنی بر الیاف که گسترش می یابند و منقبض می شوند." "PAM ها ذاتاً دچار سر و صدای مکانیکی تصادفی و هیسترزیس می شوند ، که اساساً با گذشت زمان استرس مادی دارند. مانیتور دقیق مبتنی بر لیزر به کنترل کنترل از طریق بازخورد کمک می کند ، اما این سنسورهای سفت و سخت حرکت یک ربات را محدود می کنند ، بنابراین ما به چیز جدیدی رسیدیم."
ناکاجیما و تیمش فکر کردند اگر بتوانند یک PAM را در زمان واقعی الگوبرداری کنند ، می توانند کنترل خوبی از آن داشته باشند. با این حال ، با توجه به ماهیت در حال تغییر PAM ها ، این روش با روش های سنتی مدل سازی مکانیکی واقعی نیست. بنابراین تیم به یک روش یادگیری ماشین قدرتمند و مستقر موسوم به محاسبات مخزن روی آورد. این جایی است که اطلاعات مربوط به یک سیستم ، در این حالت PAM ، در یک زمان واقعی به یک شبکه عصبی مصنوعی ویژه منتقل می شود ، بنابراین مدل همیشه در حال تغییر است و بنابراین با محیط سازگار می شود.
ناکاجیما گفت: "ما مقاومت الکتریکی تغییرات مواد PAM را بسته به شکل آن در هنگام انقباض پیدا کردیم. بنابراین ما این داده ها را به شبکه منتقل می کنیم تا بتواند به طور دقیق از وضعیت PAM گزارش کند." "لاستیک معمولی یک عایق است ، بنابراین ما کربن را در ماده خود گنجانیده ایم تا مقاومت متفاوت آن را آسانتر بخوانیم.
به لطف این روش ، ممکن است نسل جدیدی از فناوری رباتیک نرم امکان پذیر باشد. این می تواند شامل روبات هایی باشد که با انسانها کار می کنند ، به عنوان مثال دستگاه های توانبخشی پوشیدنی یا روبات های زیست پزشکی ، زیرا تماس نرم اضافی به معنی تعامل با آنها نرم و بی خطر است.
Nakajima گفت: "مطالعه ما نشان می دهد که محاسبات مخزن می توانند علاوه بر رباتیک در کاربردها نیز استفاده شوند. برنامه های سنجش از دور که نیاز به اطلاعات در زمان واقعی دارند که به صورت غیر متمرکز پردازش می شوند ، می توانند بسیار سود ببرند." "و سایر محققانی که محاسبات عصبی را بررسی می کنند - سیستم های رایانه ای هوشمند" نیز ممکن است بتوانند ایده های ما را در کار خود بگنجانند تا عملکرد سیستم های خود را بهبود بخشند. "
