Module Number Adaptive Visual Shape Control for Serial Modular Soft Robots
Dieses Papier stellt eine modulanzahladaptive visuelle Formkontrollmethode für serielle modulare weiche pneumatische Roboter vor, die durch die Wiederverwendung eines auf einem einzelnen Modul trainierten Controllers mittels lokaler Bildpatch-Dekomposition und geomettischer Datenaugmentation eine skalierbare Ganzkörperkonfigurationssteuerung über variierende Modulanzahlen und Umweltbedingungen hinweg ermöglicht.
Originalarbeit lizenziert unter CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). Dies ist eine KI-generierte Erklärung des untenstehenden Papers. Sie wurde nicht von den Autoren verfasst oder gebilligt. Für technische Genauigkeit konsultieren Sie das Originalpaper. Vollständigen Haftungsausschluss lesen
Soft-Roboter sind ein eigenständiger Zweig der Ingenieurwissenschaften, der starre Metalle und Kunststoffe durch flexible, gummiartige Materialien ersetzt. Im Gegensatz zu herkömmlichen Maschinen, die sich mit präzisen, festen Gelenken bewegen, biegen und verdrehen sich diese Roboter wie lebendes Gewebe, was es ihnen ermöglicht, durch enge Räume zu schlüpfen, empfindliche Objekte zu handhaben oder unebenes Gelände zu durchqueren, ohne Schäden zu verursachen. Da ihre Körper aus weichen, nachgiebigen Komponenten bestehen, haben sie keine einzige feste Form; stattdessen kann sich ihre gesamte Gestalt kontinuierlich verändern. Diese Flexibilität macht sie unglaublich nützlich für Aufgaben in engen Umgebungen, wie etwa bei medizinischen Eingriffen oder Such- und Rettungseinsätzen, aber sie macht sie auch notorisch schwierig zu steuern. Traditionelle Computermodelle haben Schwierigkeiten vorherzusagen, wie sich ein Soft-Roboter genau bewegen wird, da sich das Material auf komplexe, unvorhersehbare Weise verbiegt. Um dies zu lösen, haben Forscher auf visuelle Steuerung gesetzt, bei der eine Kamera den Roboter beobachtet und seine Bewegungen in Echtzeit anpasst, ganz so, wie ein Mensch seine eigene Hand beobachtet, um sie zu führen. Ein großes Hindernis blieb jedoch bestehen: Die meisten dieser visuellen Steuerungssysteme sind für eine spezifische Robotengröße konzipiert. Wenn ein Roboter aus fünf verbundenen Segmenten besteht, kann die Steuerungssoftware normalerweise nicht für einen Roboter aus drei oder sieben Segmenten verwendet werden, ohne dass sie komplett neu geschrieben und neu trainiert werden muss.
Ein Team von Forschern hat eine neue Methode entwickelt, die es ermöglicht, dass ein einziges Steuerungssystem Soft-Roboter unterschiedlicher Längen verwaltet, ohne für jede Größe neue Trainingsdaten zu benötigen. Sie konzentrierten sich auf einen Typ von Roboter, der durch das Hintereinanderschalten identischer, aufblasbarer Segmente in einer Linie aufgebaut ist. In ihren Experimenten konstruierten sie Roboter, die von nur einem Segment bis hin zu fünf end an end miteinander verbundenen Segmenten reichten. Der Kern ihrer Entdeckung ist eine Technik, die das gesamte Körperbild des Roboters in kleine, einzelne Stücke zerlegt und dabei jedes Segment als ein separates Objekt behandelt. Anstatt zu versuchen zu lernen, wie sich ein fünfsegmentiger Roboter als ein einziges, riesiges, kompliziertes Objekt bewegt, lernt das System, wie sich ein einzelnes Segment bewegt, und wendet dieses Wissen dann auf jedes Segment an, das es sieht, unabhängig davon, wie viele Nachbarn es hat. Dieser Ansatz bedeutet, dass, sobald die Forscher dem Computer beigebracht hatten, wie man ein einzelnes Segment steuert, derselbe „Geist“ sofort genutzt werden konnte, um einen Roboter mit einem, drei oder fünf Segmenten zu steuern.
Um dies zu ermöglichen, mussten die Forscher die Tatsache überwinden, dass ein Segment unterschiedlich aussieht, je nachdem, wo es in der Reihe sitzt. Ein Segment am unteren Ende eines fünfsegmentigen Roboters erscheint in einem anderen Teil der Kamersicht und in einem anderen Winkel als ein einzelnes Segment, das allein auf einem Tisch liegt. Um dem Computer beizubringen, diese visuellen Unterschiede zu ignorieren, verwendeten sie während der Trainingsphase eine Technik namens geometrische Datenaugmentation. Dies beinhaltete das künstliche Rotieren und Verschieben der Bilder des einzelnen Segments in tausenden verschiedenen Arten, wodurch dem Computer effektiv gezeigt wurde, dass dasselbe Stück Gummi in vielen Positionen und Ausrichtungen erscheinen kann. Durch das Training des Systems mit diesen variierten Ansichten lernte der Computer, die wesentliche Form des Segments zu erkennen, anstatt dessen spezifische Position im Bild. Wenn das System auf einen mehrsegmentigen Roboter eingesetzt wurde, nutzte es ein spezialisiertes Werkzeug, um jedes Segment im Kamerabild zu lokalisieren, es auszuschneiden und es demselben Steuerungsmodul zuzuführen. Das Modul berechnete dann die notwendigen Anpassungen des Luftdrucks für dieses spezifische Segment, um eine gewünschte Zielform zu erreichen.
Die Forscher testeten dieses System an physischen Robotern, die in einem Labor aufgehängt waren, wobei sie eine Standard-Webcam zur Beobachtung verwendeten. Sie programmierten die Roboter so, dass sie bestimmte Formen einnehmen, wie etwa sich zu verdrehen oder nach vorne zu krümmen, und maßen, wie genau der tatsächliche Roboter dem Zielbild entsprach. Die Ergebnisse zeigten, dass das System erfolgreich Roboter mit einem bis fünf Segmenten zu ihren Zielformen führte. Während die Roboter mit mehr Segmenten etwas länger brauchten, um zur Ruhe zu kommen, und etwas mehr Fehler aufwiesen als die kürzeren, arbeitete das Steuerungssystem über alle Konfigurationen hinweg effektiv ohne zusätzliches Training. Das System erwies sich auch als robust gegenüber Veränderungen in der Umgebung; es behielt die Kontrolle, selbst wenn sich die Beleuchtung im Raum änderte, Objekte im Hintergrund platziert wurden oder ein schweres Gewicht an der Spitze des Roboters angebracht war. In einem Test wurde eine 500-Gramm-Masse an das Ende eines fünfsegmentigen Roboters angebracht, was die zusätzliche Last simulierte, die ein Roboter in der realen Welt tragen könnte, und das System gelang es dennoch, den Roboter zur korrekten Haltung zu führen.
Ein entscheidender Teil der Zuverlässigkeit des Systems war seine Fähigkeit, mit fehlenden Informationen umzugehen. In einem realen Szenario könnten Teile eines Roboters durch seinen eigenen Körper, die Hand einer Person oder andere Objekte verdeckt werden, was dazu führt, dass die Kamera einen bestimmten Muskel oder ein Segment nicht verfolgen kann. Die Forscher entwickelten ein leichtgewichtiges Netzwerk, das die fehlenden visuellen Daten basierend auf den umliegenden Teilen erraten konnte. Wenn ein Teil der Roboterform verdeckt war, rekonstruierte dieses Netzwerk das fehlende Bild, was es dem Steuerungssystem ermöglichte, den Betrieb reibungslos fortzusetzen. Ohohne diese Rekonstruktion hätte der Roboter Schwierigkeiten gehabt, sich zu bewegen oder hätte es versäumt, sein Ziel zu erreichen. Die Studie zeigte, dass durch die Zerlegung eines komplexen Ganzkörperproblems in einfache, lokale Aufgaben ein einziges Steuerungsmodell skalierbar ist, um größere und komplexere Maschinen zu handhaben. Dieser Befund legt nahe, dass zukünftige Soft-Roboter mit unterschiedlicher Anzahl von Teilen montiert und wieder zerlegt werden könnten und dieselbe Steuerungssoftware sofort funktionieren würde, was die Notwendigkeit eliminiert, neue Daten zu sammeln oder das System jedes Mal neu zu trainieren, wenn sich die Konfiguration des Roboters ändert.
Ertrinken Sie in Arbeiten in Ihrem Fachgebiet?
Erhalten Sie tägliche Digests der neuesten Arbeiten passend zu Ihren Forschungsbegriffen — mit technischen Zusammenfassungen, in Ihrer Sprache.