این ربات کوچک می تواند تقریباً به همه جا برود.
محققان دانشکده علوم کامپیوتر دانشگاه کارنگی ملون و دانشگاه کالیفرنیا، برکلی، یک سیستم روباتیک طراحی کردهاند که به یک ربات کمهزینه و پا نسبتاً کوچک امکان میدهد تقریباً از ارتفاع خود از پلهها بالا برود و پایین بیاید. از زمین های صخره ای، لغزنده، ناهموار، شیب دار و متنوع عبور کنید. راه رفتن در میان شکاف ها؛ سنگ ها و حاشیه های مقیاس. و حتی در تاریکی کار کنند.
دیپاک پاتاک، استادیار مؤسسه رباتیک گفت: «توانمندسازی رباتهای کوچک برای بالا رفتن از پلهها و مدیریت محیطهای مختلف برای توسعه روباتهایی که در خانههای مردم و همچنین عملیات جستجو و نجات مفید خواهند بود، بسیار مهم است. این سیستم یک ربات قوی و سازگار ایجاد می کند که می تواند بسیاری از کارهای روزمره را انجام دهد.
این تیم ربات را در مراحل خود قرار دادند، آن را روی پلههای ناهموار و تپههای پارکهای عمومی آزمایش کردند، آن را به چالش کشیدند تا از روی سنگهای پلهها و سطوح لغزنده راه برود و از او خواستند از پلههایی بالا برود که از نظر قد شبیه به پرش انسان است. یک مانع ربات به سرعت خود را تطبیق می دهد و با تکیه بر دید خود و یک کامپیوتر کوچک روی برد، بر زمین های چالش برانگیز تسلط پیدا می کند.
محققان این ربات را با 4,000 کلون از آن در یک شبیه ساز آموزش دادند و در آنجا پیاده روی و بالا رفتن از زمین های چالش برانگیز را تمرین کردند. سرعت شبیه ساز به ربات اجازه داد تا در یک روز شش سال تجربه کسب کند. این شبیهساز همچنین مهارتهای حرکتی را که در طول آموزش آموخته بود، در یک شبکه عصبی ذخیره میکرد که محققان آن را روی ربات واقعی کپی کردند. این رویکرد نیازی به مهندسی دستی حرکات ربات نداشت - انحراف از روش های سنتی.
اکثر سیستم های رباتیک از دوربین ها برای ایجاد نقشه ای از محیط اطراف استفاده می کنند و از آن نقشه برای برنامه ریزی حرکات قبل از اجرای آنها استفاده می کنند. این فرآیند کند است و اغلب می تواند به دلیل ابهامات ذاتی، عدم دقت، یا ادراک نادرست در مرحله نقشه برداری که بر برنامه ریزی و حرکات بعدی تأثیر می گذارد، دچار تزلزل شود. نقشهبرداری و برنامهریزی در سیستمهای متمرکز بر کنترل سطح بالا مفید هستند، اما همیشه برای الزامات پویایی مهارتهای سطح پایین مانند راه رفتن یا دویدن در زمینهای چالشبرانگیز مناسب نیستند.
سیستم جدید مراحل نقشه برداری و برنامه ریزی را دور می زند و مستقیما ورودی های دید را به سمت کنترل ربات هدایت می کند. آنچه ربات می بیند نحوه حرکت آن را تعیین می کند. حتی محققان نحوه حرکت پاها را مشخص نکرده اند. این تکنیک به ربات اجازه می دهد تا به سرعت به زمین های روبرو واکنش نشان دهد و به طور موثر در آن حرکت کند.
از آنجایی که هیچ نقشه یا برنامه ریزی وجود ندارد و حرکات با استفاده از یادگیری ماشینی آموزش داده می شوند، خود ربات می تواند کم هزینه باشد. ربات مورد استفاده تیم حداقل 25 برابر ارزان تر از جایگزین های موجود بود. الگوریتم این تیم این پتانسیل را دارد که رباتهای کمهزینه را بسیار گستردهتر در دسترس قرار دهد.
Ananye Agarwal، دکترای SCS می گوید: «این سیستم از دید و بازخورد بدن به طور مستقیم به عنوان ورودی برای خروجی دستورات به موتورهای ربات استفاده می کند. دانشجوی یادگیری ماشین این تکنیک به سیستم اجازه می دهد تا در دنیای واقعی بسیار قوی باشد. اگر روی پله ها لیز بخورد، می تواند بهبود یابد. می تواند به محیط های ناشناخته برود و سازگار شود.»
این جنبه مستقیم بینایی به کنترل از نظر بیولوژیکی الهام گرفته شده است. انسان ها و حیوانات از بینایی برای حرکت استفاده می کنند. دویدن یا تعادل را با چشمان بسته امتحان کنید. تحقیقات قبلی این تیم نشان داده بود که رباتهای نابینا - روباتهای بدون دوربین - میتوانند زمینهای چالشبرانگیز را فتح کنند، اما افزودن بینایی و تکیه بر آن دید، سیستم را تا حد زیادی بهبود میبخشد.
این تیم برای سایر عناصر سیستم نیز به طبیعت نگاه کرد. برای یک ربات کوچک - در این مورد با قد کمتر از یک فوت - برای بالا رفتن از پله ها یا موانع تقریباً ارتفاع خود، یاد گرفت که حرکتی را که انسان برای عبور از موانع بلند استفاده می کند، اتخاذ کند. هنگامی که انسان مجبور است پای خود را بالا ببرد تا از یک طاقچه یا مانع بالا برود، از لگن خود استفاده می کند تا پای خود را به سمت بیرون بکشد که به آن ربایش و اداکشن گفته می شود و به آن فاصله بیشتری می دهد. سیستم رباتی که تیم Pathak طراحی کرده است، همین کار را انجام میدهد و از ربایش لگن برای مقابله با موانعی استفاده میکند که برخی از پیشرفتهترین سیستمهای رباتیک پا در بازار را به خطر میاندازد.
حرکت پاهای عقب توسط حیوانات چهار پا نیز الهام بخش تیم بود. هنگامی که گربه از موانع عبور می کند، پاهای عقب او از وسایل مشابه پاهای جلویی خود بدون بهره مندی از مجموعه چشم های نزدیک دوری می کند. "حیوانات چهار پا حافظه ای دارند که پاهای عقب آنها را قادر می سازد تا پاهای جلویی را ردیابی کنند. سیستم ما به روشی مشابه کار می کند.» پاتاک گفت. حافظه داخلی این سیستم به پاهای عقب این امکان را میدهد تا آنچه را که دوربین جلو دیده است به خاطر بسپارند و برای جلوگیری از موانع مانور دهند.
Ashish Kumar یک دکترا گفت: «از آنجایی که هیچ نقشه و برنامهریزی وجود ندارد، سیستم ما زمین و نحوه حرکت پای جلو را به خاطر میآورد و آن را به پای عقب ترجمه میکند، این کار را به سرعت و بدون نقص انجام میدهد. دانشجو در برکلی
این تحقیق می تواند گام بزرگی در جهت حل چالش های موجود پیش روی روبات های پا و آوردن آنها به خانه های مردم باشد. مقاله "حرکت پا در زمین های چالش برانگیز با استفاده از دید خود محور" نوشته شده توسط پاتاک، پروفسور برکلی جیتندرا مالیک، آگاروال و کومار، در کنفرانس آتی آموزش ربات در اوکلند، نیوزلند ارائه خواهد شد.
ویدئو: https://youtu.be/N70CqROzwxI
یک ربات ارزان قیمت آماده برای هر مانعی بازنشر شده از منبع https://www.sciencedaily.com/releases/2022/11/221116150653.htm از طریق https://www.sciencedaily.com/rss/computers_math/artificial_intelligence.xml
- بیت کوین
- bizbuildermike
- بلاکچین
- انطباق با بلاک چین
- کنفرانس بلاکچین
- مشاوران بلاک چین
- coinbase
- coingenius
- اجماع
- کنفرانس رمزنگاری
- معدنکاری رمز گشایی
- کریپتو کارنسی (رمز ارزها )
- غیر متمرکز
- DEFI
- دارایی های دیجیتال
- ethereum
- فراگیری ماشین
- رمز غیر قابل شستشو
- افلاطون
- افلاطون آی
- هوش داده افلاطون
- پلاتوبلاک چین
- PlatoData
- بازی پلاتو
- چند ضلعی
- اثبات سهام
- W3
- زفیرنت