迪士尼將人造“神經纖維”用於軟體機器人,賦予“本體感知能力”
2021-10-22由 智慧製造觀察員 發表于 林業
繫帶神經纖維可以接嗎
原創 Riddick 機器人大講堂
導讀
軟體機器人模仿章魚,象鼻,海星等動物而設計,栩栩如生,他們由軟材料(矽膠,橡膠)構成,有著天生優良的環境適應性以及安全互動性。但是相比於傳統機器人,軟體機器人的“感知”能力還遠遠不足。要真正做出“富有生命”的軟體機器人,有效的感測是必不可少的。我們人類或者動物的肌肉纖維裡纏繞著神經纖維,從而可以直接感知肌肉的變形,我們稱之為“本體感知能力”。近來,迪士尼研究院(Disney Research)和雷伊·胡安·卡洛斯大學(Universidad ReyJuan Carlos)的科學家們提出了一種可以賦予軟體機器人“本體感知能力”的方法,即利用他們的最佳化演算法將多條細長的應變感測器以類似於神經纖維般的方式纏繞在軟體機器人身體裡,形成一種“拉伸型感測網路”。這樣一來,為任意形狀和尺寸的軟體機器人增加“本體感受”的能力。
作者:Riddick
1。 軟體機器人的感測
軟體機器人雖然適應性環境能力強,可以和人安全互動,但是為了能夠真正在生活生產中應用,
能感知外界環境實為關鍵,
有了感測資訊,機器人才能做出相應的對策,或者檢驗任務是否已經完成。
毫不誇張的說,如果沒有有效的可靠的感測方案,軟體機器人只能被限制在實驗室中做做展示了。
傳統機器人的關節編碼器
對於傳統機器人來說,機器人是由
剛性的杆件和旋轉關節構成,
用旋轉編碼器得到關節轉角就可以計算出來當前機器人的姿態。
軟體機器人的感測
但是軟體機器人而言,材料柔軟的特性讓軟體機器人
本體的形狀變得極難預測,
尤其是受到外力影響的情況下。科學家們已經設計出多種有效的軟體機器人感測器(例如
液態金屬,光纖,導電聚合物
)。
想要完全的表徵一個軟體機器人的形變資訊,僅僅依靠一兩條/片感測器是比較難實現的,需要更復雜更科學的感測器分佈設計。
目前的大多數研究都是
根據經驗人為的對感測器的分佈進行設計,考慮到軟體機器人的“多自由度特性”的複雜性,人為的設計感測器的尺寸和分佈會越來越艱難。
本體感知感測器的設計概覽
今天小編介紹的這篇文章就嘗試解決軟體機器人感測器分佈及設計的問題。來自
迪士尼研究院(Disney Research)以及雷伊·胡安·卡洛斯大學(UniversidadRey Juan Carlos)的科學家
們嘗試設計出一種感測器系統來
重構軟體機器人的本體,
他們指出,
感測器的數量,以及放置感測器的最佳位置
是兩個重要的問題。研究者們提出了一種演算法技術,可以由軟體自動地設計“拉伸型感測網路”的尺寸和分佈,從而為
任意形狀和尺寸的軟體機器人增加“本體感受”的能力。他們的方法已經能夠讓軟體機器人感受自身的變形狀態以及感受在外界互動下的形變。
在該研究中給出了
三個具有本體感知能力的應用例項,
一個長方體的彈性棒,一個氣動的軟體機械手指,還有一章魚觸手(只有模擬)。我們先來欣賞一下這幾種軟體機器人例子。
長方體棒展示
軟體手指展示
章魚觸手(模擬)展示
人體肌肉神經纖維和感測器網路
我們的肌肉纖維上纏繞了
一圈圈的神經纖維,它們可以檢測肌肉的長度變化啊,從而讓我們感知身體每一處的姿勢。
在這個研究中,科學家們採用了一種類似的設計方法,他們用一種常見的應變感測器單元,這種感測器是由彈性的空心矽膠管制成,在裡面充滿了共晶鎵-銦(EGaIn,一種液態合金)。該感測器的建模相對比較簡單,可以透過計算矽膠管長度/截面的變化來計算電阻的變化。
該感測器的介紹可以參見文末的感測器網頁連結。
研究者們把大量的這種細長的感測器作為
一個個類似於神經纖維的單元
整合到軟體機器人身體裡(通常是用矽膠澆注法,在後文中的氣動軟體驅動器中有介紹具體制造方法)。
彈性應變感測器
2。 感測器網路最佳化的演算法
為了讓
大量的感測器最最佳化分佈,
研究者們提出了一種用於
最佳化應變感測器分佈和尺寸設計的演算法。
具體的演算法涉及到一些方程和定義,
讀者們可以參照文末給出的參考文獻連結,
這裡小編給一個概括性的描述。
演算法簡介
首先是要在計算機中設計出軟體機器人彈性體的
幾何模型
,然後利用這個模型進行一系列的不同形態的
模擬互動訓練
。接下來研究者根據
互動訓練中彈性體的應變場分佈(應變場分佈有模擬互動得到)
來生成一大組可以選擇的合理的感測器路徑,這些感測器路徑對於外界的輸入都非常敏感(
研究者發現,在最開始整合200個候選感測器足以在各個不同的方向表示物體
)。接著透過
連續迭代最佳化演算法
來選出最優的一組感測器分佈的方式,從而
大量的減少感測器的數量。
最終根據得到的感測器路徑來製造樣機進行測試。
感測器路徑的選擇
關於感測器路徑的選擇,研究者制定了三個約束:1。 選擇的路徑一定要是可以
被加工的
;2。 路徑一定要有一定的
隨機性
;3。 每一個感測器一定要
跟隨著應變場
,從而能夠最大化感測器的敏感度。
感測器數量篩選演算法
為了從初始組合200個感測器中篩選出最好的一組感測器,研究者使用
一階最佳化約束演算法
來實現感測器最優組合的篩選。
3。 本體感知感測器設計應用案例
如前面動態圖所展示的,作者透過兩個實體的例子和一個模擬的例子來展示他們演算法的可行性。
首先是一個可以多向彎曲的彈性棒。彈性棒的一被固定,另一端和外界有互動(用手指控制它朝著各個方向彎曲)。研究者利用演算法把
200個初始的感測器網路縮減到了只含有5個感測器的最優組網路分佈。
僅僅藉助於這5個感測器的資訊,就可以重構該彈性棒在相應的外界作用下的變形情況,重構效果有著
驚人的準確度
。
初始感測器組和最佳化的感測器組
實體互動展示和對應的模型重構
除了簡單的實心的棒,有氣腔的複雜的氣動軟體驅動器也可以用這種方式來實現本體感知的效果。針對於一個常見的半圓形截面的氣動軟體手指,
研究者先用演算法在氣腔周圍生成了200個可製造的感測器網路,然後用最佳化模型縮減到僅剩9到10個感測器網路。
初始感測器分佈和最佳化後的感測器分佈
為了
均衡製造難度和精確性,研究者們最終採用了6個感測器的設計。
下圖給出了整合感測器的軟體機器人的製造方式。3d打印出感測器網路的模具,用矽膠鑄模的方式,在驅動器表明留下細小的凹槽,把空心矽膠管鑄進去,然後再鑄一層矽膠來固定空心矽膠管,最終在矽膠管裡注入液態金屬,接上導線,即可得到一個“本體感知”的軟體驅動器。
帶有本體感知能力軟體驅動器的加工
研究者用兩種不同的變形模式來檢驗本體感知的效能。
一個是自由膨脹,另一個是在膨脹過程中受到圓柱體的阻擋。
可以看出,圖中顯示了實體的變形和重構的模型
有著良好的重疊性。
自由充氣形變和被阻擋的充氣形變
為了驗證所提出的方法也適用於
仿生機器人設計
,研究者模擬了一個章魚觸手。最佳化後的結果能夠準確的重構章魚觸手在複雜的外界接觸的模型(顏色代表模擬值和重構值之間的誤差)。
章魚觸手感測器數量的最佳化
模擬模型和重構模型對比
4。 總結與展望
整合本體感知能力讓本來就具有眾多優良效能的軟體機器人變得更加強大。
當一個軟體機械手具有了本體感知能力,它不僅僅能夠感知一個物體是否被抓起,
更能夠直接感知所抓起物體的形狀。
本研究中的科學家們提出的感測器的設計及最佳化的方法能夠很好地
重構軟體機器人的狀態,
從而進一步提升了
軟體機器人的可靠性以及實用性。
能夠對於外界的互動進行感知,讓軟體機器人如虎添翼,相信在不久的將來,軟體機器人會逐步走入大家的生活。
本文的作者也指出,他們的研究目前還是有很大的約束以及發展前景,例如本研究中的模型重構暫時
不是實時的,
雖然實時重構也可實現,
但是目前來說誤差會相對較大。
另外,研究者指出他們的方法也難以解決
所有的軟體機器人的本體感知問題。
在未來的研究中,研究者們會著重解決這些問題,創造真正能夠像生命體一樣的軟體機器人。