Module Number Adaptive Visual Shape Control for Serial Modular Soft Robots
Questo articolo introduce un metodo di controllo della forma visiva adattivo al numero di moduli per robot pneumatici morbidi modulari in serie che consente il controllo scalabile della configurazione dell'intero corpo attraverso numeri variabili di moduli e condizioni ambientali, riutilizzando un controllore addestrato su un singolo modulo attraverso la decomposizione in patch d'immagine locali e l'aumento dei dati geometrici.
Articolo originale sotto licenza CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). Questa è una spiegazione generata dall'IA dell'articolo qui sotto. Non è stata scritta né approvata dagli autori. Per precisione tecnica, consulta l'articolo originale. Leggi il disclaimer completo
I robot soft sono un ramo distinto dell'ingegneria che sostituisce il metallo e la plastica rigidi con materiali flessibili, simili alla gomma. A differenza delle macchine tradizionali che si muovono con giunti fissi e precisi, questi robot si piegano e si torcono come tessuto vivente, permettendo loro di infilarsi in spazi stretti, manipolare oggetti delicati o navigare su terreni irregolari senza causare danni. Poiché i loro corpi sono fatti di componenti morbidi e deformabili, non hanno una singola forma fissa; al contrario, l'intera struttura può cambiare continuamente. Questa flessibilità li rende incredibilmente utili per compiti in ambienti confinati, come procedure mediche o missioni di ricerca e soccorso, ma li rende anche notoriamente difficili da controllare. I modelli informatici tradizionali faticano a prevedere esattamente come si muoverà un robot soft perché il materiale si piega in modi complessi e imprevedibili. Per risolvere questo problema, i ricercatori si sono rivolti al controllo basato sulla visione, dove una telecamera osserva il robot e ne regola i movimenti in tempo reale, proprio come un essere umano che guarda la propria mano per guidarla. Tuttavia, un ostacolo principale è rimasto: la maggior parte di questi sistemi di controllo visivo è costruita per una dimensione specifica del robot. Se un robot è composto da cinque segmenti collegati, il software di controllo solitamente non può essere utilizzato su un robot composto da tre o sette segmenti senza essere completamente riscritto e riaddestrato da zero.
Un team di ricercatori ha sviluppato un nuovo metodo che consente a un singolo sistema di controllo di gestire robot soft di lunghezze variabili senza la necessità di nuovi dati di addestramento per ogni dimensione. Si sono concentrati su un tipo di robot costruito collegando insieme in linea segmenti gonfiabili identici. Nei loro esperimenti, hanno costruito robot che andavano da un solo segmento fino a cinque segmenti collegati end-to-end. Il nucleo della loro scoperta è una tecnica che scompone l'intera immagine del corpo del robot in piccoli pezzi individuali, trattando ogni segmento come un'entità separata. Invece di cercare di imparare come si muove un robot a cinque segmenti come un unico oggetto gigante e complicato, il sistema impara come si muove un singolo segmento e poi applica la stessa conoscenza a ogni segmento che vede, indipendentemente da quanti vicini abbia. Questo approccio significa che una volta che i ricercatori hanno insegnato al computer come controllare un singolo segmento, lo stesso "cervello" può essere riutilizzato istantaneamente per controllare un robot con uno, tre o cinque segmenti.
Per far sì che ciò funzionasse, i ricercatori hanno dovuto superare il fatto che un segmento appare diverso a seconda di dove si trova nella linea. Un segmento alla base di un robot a cinque segmenti appare in una parte diversa dell'inquadratura della telecamera e con un angolo diverso rispetto a un singolo segmento appoggiato su un tavolo. Per insegnare al computer a ignorare queste differenze visive, hanno utilizzato una tecnica chiamata aumento dei dati geometrici (geometric data augmentation) durante la fase di addestramento. Ciò ha comportato la rotazione e lo spostamento artificiale delle immagini del singolo segmento in migliaia di modi diversi, mostrando efficacementamente al computer che lo stesso pezzo di gomma poteva apparere in molte posizioni e orientamenti. Addestrando il sistema su queste viste variegate, il computer ha imparato a riconoscere la forma essenziale del segmento piuttosto che la sua posizione specifica nell'immagine. Quando il sistema veniva implementato su un robot multi-segmento, utilizzava uno strumento specializzato per individuare ogni segmento nel feed della telecamera, ritagliarlo ed estrarlo per alimentarlo allo stesso modulo di controllo. Il modulo calcolava quindi le necessarie regolazioni della pressione dell'aria per quel segmento specifico per corrispondere a una forma target desiderata.
I ricercatori hanno testato questo sistema su robot fisici sospesi in un laboratorio, utilizzando una webcam standard per osservarli. Hanno programmato i robot per piegarsi in forme specifiche, come torcersi o curvarsi in avanti, e hanno misurato quanto fosse vicino il robot reale all'immagine target. I risultati hanno dimostrato che il sistema ha guidato con successo i robot con uno a cinque segmenti verso le loro forme target. Sebbene i robot con più segmenti impiegassero leggermente più tempo per stabilizzarsi e mostrassero un errore leggermente superiore rispetto a quelli più corti, il sistema di controllo funzionava efficacementamente in tutte le configurazioni senza alcun addestramento aggiuntivo. Il sistema si è anche dimostrato robusto rispetto ai cambiamenti dell'ambiente; ha mantenuto il controllo anche quando la luce nella stanza cambiava, quando venivano posizionati oggetti sullo sfondo o quando veniva attaccato un peso pesante alla punta del robot. In un test, una massa di 500 grammi è stata attaccata all'estremità di un robot a cinque segmenti, simulando il carico extra che un robot del mondo reale potrebbe trasportare, e il sistema è riuscito comunque a guidare il robot verso la postura corretta.
Una parte critica dell'affidabilità del sistema era la sua capacità di gestire le informazioni mancanti. In uno scenario del mondo reale, parti di un robot potrebbero essere nascoste dal proprio corpo, dalla mano di una persona o da altri oggetti, causando la perdita di traccia di un particolare muscolo o segmento da parte della telecamera. I ricercatori hanno costruito una rete leggera capace di indovinare i dati visivi mancanti basandosi sulle parti circostanti. Quando una parte della forma del robot veniva oscurata, questa rete ricostruiva l'immagine mancante, permettendo al sistema di controllo di continuare a operare senza intoppi. Senza questa ricostruzione, il robot avrebbe faticato a muoversi o non sarebbe riuscito a raggiungere il suo obiettivo. Lo studio ha dimostrato che, scomponendo un problema complesso di corpo intero in compiti semplici e locali, un singolo modello di controllo può scalare per gestire macchine molto più grandi e complesse. Questo risultato suggerisce che i futi robot soft potrebbero essere assemblati e riassemblati con un numero diverso di parti, e lo stesso software di controllo funzionerebbe immediatamente, eliminando la necessità di raccogliere nuovi dati o riaddestrare il sistema ogni volta che la configurazione del robot cambia.
Sommerso dagli articoli nel tuo campo?
Ricevi digest giornalieri degli articoli più recenti corrispondenti alle tue parole chiave di ricerca — con riassunti tecnici, nella tua lingua.