Een module van de MSRR systeem. Afbeelding: Tarik Tosun
Wanneer MSRR is geplaatst in een nieuwe omgeving en toegewezen aan een taak, zoals het oppakken van afval of toezending van een brief, het eerste wat hij doet is het maken van een kaart van de omgeving. Zodra gericht, beslist het systeem of een fysieke transformatie is nodig om te voldoen aan haar doel, zoals het veranderen in een slang-achtige robot te beklimmen van een trap, of het vormen van een verlengde arm te bereiken in een smalle gang.
Het systeem bestaat uit een aantal mobiele modules. Elke module kan apart van de grotere structuur, re-orient zijn positie, en snap zelf terug naar de bovenbouw op de gewenste locatie. Door het verschuiven van de delen van het lichaam op deze manier MSRR kan veranderen zijn functie, loc mogelijkheden, en vorm. De modulaire hardware wordt aangestuurd en gecoördineerd door de centrale hersenen.”
Het is nog steeds erg basic, maar verfijnd, opgeschaalde versies kunnen worden gebruikt voor het navigeren onvoorspelbare en gevaarlijke situaties.
“Twee belangrijke toekomstige toepassingen zijn zoek-en reddingsacties en de bom ter beschikking,” Jonathan Daudelin, de voornaamste auteur van de nieuwe studie en een roboticist aan de Cornell, vertelde Gizmodo. “Beide van deze gebieden te betrekken sterk variëren en onbekende omgevingsfactoren die geschikt zijn voor de adaptieve mogelijkheden van modulaire robots. Daarnaast is schade geleden door een modulaire robots kunnen worden gerepareerd meer eenvoudig door simpelweg het vervangen van de beschadigde modules in plaats van de hele robot.”
Om te helpen bij het navigeren door de omgeving, de MSRR systeem is uitgerust met verschillende perceptie tools. Elke afneembare module is voorzien van een 3D-camera voor het meten van de afstand tot elke pixel in het verkregen beeld. Een kleine computer verwerkt de gegevens en controleert het algemene, collectieve bewegingen van de robot. Met behulp van de gegevens van de camera, het systeem bouwt een 3D-kaart van de robot de omgeving als het beweegt en de sporen die de robot locatie op de kaart.
“Sinds ons systeem is ontworpen om te werken in onbekende omgevingen, we maken gebruik van een verkenning algoritme te vertellen dat de robot waar te verplaatsen om te verkennen onzichtbare onderdelen van het milieu,” zei Daudelin. “Als de robot verkent, het detecteert gekleurde objecten in verband met haar taak en neemt de locaties. Een andere waarneming tool analyseert de robot 3D-weergave van de omgeving om het classificeren van het type van de omstandigheden in de omgeving. Bijvoorbeeld, als de robot ziet een object moet ophalen, wordt bepaald als het object in een gebied in een smalle tunnel, of tot op een richel.”
De high-level planner, zei Daudelin, kan deze informatie gebruiken om te beslissen of de robot moet configureren van de vorm om op te halen van het object.
Naast de perceptie van gereedschappen, het systeem bevat een bibliotheek van mogelijke configuraties en acties, zodat er geen vooropleiding nodig is. Het is op dit moment uitgerust met vier voorinstellingen: Auto, Schorpioen, Slang, en Snuit. Met deze vier transformer-types toegang kan worden verkregen tot objecten, en dan het verzamelen, het vervoer, en stort ze op de gewenste locatie.
Het systeem was gebracht door middel van drie verschillende tests, waarin het manoeuvreerde zijn omgeving, getransformeerd zelf, verzamelde objecten en zelfs geleverd met een brief. In een demonstratie, bijvoorbeeld, de robot moest zoeken, ophalen en leveren, roze en groen metalen objecten naar een speciale drop-off zone die is gemarkeerd met een blauw vierkant. Hier is hoe het systeem vergaan, zoals de auteurs vertellen in de nieuwe studie:
De demonstratie omgeving bevatte twee objecten worden opgehaald: een groen blikje frisdrank, in een vrij gebied en een roze spoel van draad in een smalle kloof tussen twee vuilnisbakken. Verschillende obstakels werden geplaatst in het milieu te beperken navigatie. Bij het uitvoeren van de taak, de robot voor het eerst verkend door middel van de “Auto” – configuratie. Als het eenmaal ligt de roze object, herkende de omgeving als een “tunnel” type, en de high-level planner reactief gericht de robot opnieuw te configureren om de “Slurf” configuratie, die vervolgens werd gebruikt om te bereiken tussen de vuilnisbakken en trek het object in de open lucht. De robot dan is geconfigureerd om de Auto opgehaald van het object, en gaf het aan de drop-off zone die het systeem eerder had gezien en gemerkt tijdens de verkenning.
Daudelin zei: het gebruik van meerdere robot elementen geïntroduceerd veel mogelijk falen punten. Dit maakte het meer belangrijk voor het team om meer controles en robuuste gedrag in het systeem op te sporen en te herstellen van fouten tijdens een missie, zei hij.
“Sinds individuele modules zijn klein, ze zijn niet erg krachtig, en hebben daarom een zeer beperkte set van mogelijkheden en zijn zeer gevoelig voor kleine storingen,” voegde hij eraan toe. “Berekening werd ook beperkt door het kleine formaat van de sensor module met de robot computer.”
Vooruitblikkend, Daudelin zei dat zijn team zou willen meegeven van de modules met de mogelijkheid tot het wijzigen van hun omgevingen om obstakels te overwinnen.
“Ik deed onderzoek naar het gebruik van machine learning in combinatie met pad planning algoritmes om modulaire robots te navigeren moeilijk terrein autonoom door het herconfigureren van hun vormen als noodzakelijk om langs obstakels,” zei hij.
Roboticists hebben duidelijk nog een lange weg te gaan voordat de sci-fi visie van Transformatoren worden gerealiseerd, maar dit onderzoek is een positieve stap in die richting.
[Wetenschap Robotica]
Deel Dit Verhaal