En modul av MSRR system. Bilde: Tarik Tosun
Når MSRR er plassert i en ny miljø-og tildelt en oppgave, som å plukke opp søppel post eller et brev, er det første den gjør er å lage et kart over omgivelsene. Når orientert, systemet avgjør om en fysisk transformasjonen er nødvendig for å oppfylle sine mål, for eksempel å bytte til en slange-lignende robot til å klatre opp en trapp, eller danne en forlenget arm for å komme inn i en smal korridor.
Systemet består av flere mobile moduler. Hver modul kan skille seg fra de større struktur, re-orientere sin posisjon, og ta seg tilbake på overbygningen på ønsket sted. Ved å flytte sin kropp deler på denne måten, MSRR kan endre sin funksjon, lokomotiv evner, og form. Den modulære maskinvare styres og koordineres av sentral “hjernen.”
Det er fortsatt svært grunnleggende, men raffinert, skaleres opp-versjoner kan brukes for å navigere uforutsigbare og farlige situasjoner.
“To viktige fremtidige søknader er søk-og rednings-og bombe disposisjon,” Jonathan Daudelin, hovedforfatter på den nye studien og en roboticist ved Cornell, fortalte Gizmodo. “Begge disse områdene innebære svært varierende og ukjente miljømessige forhold som er godt egnet for den adaptive evner av modulære roboter. I tillegg, skade påført av modulære roboter kan bli reparert mer enkelt ved å skifte ut de skadede moduler i stedet for hele robot”.
Å hjelpe det til å navigere rundt i sitt miljø, MSRR systemet er utstyrt med flere oppfatning verktøy. Hver avtagbar modulen har et 3D-kamera som kan måle avstanden til hver piksel i det oppkjøpte bilde. En liten datamaskin som behandler data og kontrollerer samlet, kollektive bevegelser av roboten. Ved hjelp av camera data, systemet bygger et 3D-kart av robotens miljø som den beveger seg og spor robotens posisjon i kartet.
“Siden systemet er utformet for å arbeide i ukjente omgivelser, bruker vi en utforskning algoritmen for å fortelle roboten der hvor å flytte for å utforske usynlige deler av miljøet,” sa Daudelin. “Som roboten utforsker, oppdager fargede objekter knyttet til sin oppgave, og registrerer sine plasseringer. En annen oppfatning verktøyet analyserer roboten er 3D-visning av miljøet for å klassifisere type forhold i miljøet. For eksempel, hvis roboten ser et objekt det er behov for å hente, det bestemmer om objektet er i en gratis-området, i en smal tunnel, eller opp på en avsats.”
High-nivå planner, sa Daudelin, kan deretter bruke denne informasjonen til å avgjøre om roboten trenger å rekonfigurere sin form for å hente objektet.
I tillegg til sin oppfatning verktøy, systemet inneholder et bibliotek av mulige konfigurasjoner og handlinger, slik ingen tidligere opplæring er nødvendig. Det er i dag utstyrt med fire forhåndsinnstillinger: Bil, Scorpion, Slange, og Snabel. Med disse fire transformator-typer, det kan få tilgang til objekter, og deretter samle inn, transportere og sette dem på ønsket sted.
Systemet ble satt gjennom tre forskjellige tester, der det manøvrerte rundt miljø, forvandlet seg, samlet objekter, og til og med levert et brev. I en demonstrasjon, for eksempel, roboten måtte finne, hente og levere rosa og grønn metall objekter til et utpekt drop-off-sone, noe som ble markert med en blå firkant. Her er hvordan systemet fór, som forfatterne forteller i den nye studien:
Demonstrasjonen miljø inneholdt to objekter som skal hentes: en grønn brus kan i en uhindret området og en rosa spole av wire i en smal åpning mellom to søppelbøtter. Ulike hindringer ble lagt i miljøet for å begrense navigasjon. Når du utfører oppgaven, roboten først utforsket ved hjelp av “Bil” konfigurasjon. Når det ligger rosa objekt, er det anerkjent av omgivelsene som en “tunnel”, skriver du, og det høye nivået planner reactively rettet roboten til å rekonfigurere til “Snabel” konfigurasjon, som så ble brukt til å nå mellom søppelbøtter og dra gjenstanden ut i det åpne. Roboten deretter omformet til Bil, hentet objektet, og leverte det til drop-off-sonen som systemet tidligere hadde sett og merket under leting.
Daudelin sa bruk av flere robot elementer introdusert mange mulige feil poeng. Dette gjorde det mer viktig for laget å skape mer kontroll og robust atferd i systemet for å oppdage og gjenopprette fra feil under et oppdrag, sa han.
“Siden de enkelte moduler er små, de er ikke veldig kraftig, og derfor har en svært begrenset sett av funksjoner, og er svært utsatt for små feil,” la han til. “Beregning var også begrenset på grunn av den lille størrelsen på sensoren modulen inneholder robot datamaskin.”
Når vi ser fremover, Daudelin sa at hans team ønsker å gi gave til moduler med muligheten til å endre sine omgivelser for å overvinne hindringer.
“Jeg har også forsket på bruk av maskinlæring kombinert med banen planlegging algoritmer for å gjøre modulære roboter til å navigere i vanskelig terreng selvstendig ved å rekonfigurere sin former som er nødvendig for å passere hindringer,” sa han.
Roboticists åpenbart har en lang vei å gå før den sci-fi visjon av Transformatorer er realisert, men denne forskningen er et positivt skritt i den retningen.
[Vitenskap Robotics]
Deler Denne Historien