一种新的机器人应用程序框架将油藏计算与折纸合并刘汉乐

发布时间：2022-06-28 07:18:12 来源：金昌娱乐网

一种新的机器人应用程序框架，将油藏计算与折纸合并

储层计算是基于人工递归神经网络的非常有前途的计算框架。在过去的几年中，该框架已成功应用于各种任务，从时间序列预测到机器人运动计划和语音识别。

克莱姆森大学的研究人员最近试图将物理储层计算技术与折纸设计相结合，目的是在机器人中实现更高级的爬行功能他们创建的新框架可以为开发复杂的软机器人系统开辟新的令人兴奋的可能性。

“作为克莱姆森大学动态物质小组的一部分，我们的研究重点是了解和利用动态元结构和机制的独特机械性能，” Priyanka Bhovad进行了研究。研究，告诉Tech Xplore。“我的研究涉及利用折纸和顺应性机制设计'机械智能软机器人'，更具体地说，是利用机器人本身的形态来进行控制和计算任务。”

在开发他们的框架时，Bhovad和她的博士。顾问Suyi Li从动物的身体结构中汲取了灵感。更具体地说，他们试图重现动物使用高度互连的神经和肌肉网络的方式，以及这些网络如何与大脑共享它们收集的信息。

Bhovad解释说：“动物身体的形态是其致动，控制以及最终大脑决策过程不可或缺的一部分。” “在响应和适应非结构??化动态环境方面，这比我们的工程软机器人具有更高的效率。”

研究人员的框架暗示，机器人系统可以包含分布在整个“骨骼”中的传感器和致动器网络，就像动物的身体包含复杂的神经和肌肉网络一样，为了人工复制这些生物网络，研究小组使用了物理储层计算技术和设计的灵感来自日本的折纸折纸艺术。

折纸具有对于物理储层必不可少的非线性折叠动力学，” Bhovad说。“它本身也具有兼容性，因此是设计软机器人骨架的理想选择。它很容易用平板材料制造复杂的3-D机构，并且折纸设计原理也适用于各种长度标尺。由于所有这些优点，我们调查了折纸作为物理储藏库的用途，并展示了如何利用其计算能力来产生机器人运动。”

在2000年代初期，计算机科学家开始寻求有效且简单的策略来训练RNN，这种策略不涉及反向传播。这激发了使用“固定”类型的RNN的想法。

不来梅雅各布斯大学的一组研究人员介绍了他们称为回波状态网络的一类算法，而格拉茨理工大学的其他科学家则设计了所谓的液体状态机。随后，这两个概念在总称“储层计算”下合并在一起。

Bhovad说：“在物理储层计算中，使用了“固定”动力系统。“研究人员以前已经证明，通用的非线性质量弹簧网络，像章鱼一样的软机器人手臂和张力结构可以用作动态物理容器和机器人骨架。容器节点具有固定的互连和输入权重，只有线性输出读数权重通过简单的技术进行训练。”

Bhovad和她的Li提出的水库基本上由分布在折纸结构折痕中的传感器和执行器组成。使用这些传感器和执行器，研究人员能够测量折纸结构如何响应外部刺激而折叠和展开。

Bhovad说：“储层的动力学将输入数据流转换为高维状态空间，捕获其非线性和与时间有关的信息，以进行计算任务。” “结果，我们通过使用中央控制器仅使用线性读出权重来计算输出，从而简化了中央控制器。”

由Bhovad和Li设计的方法可以简单地通过将电流输出反馈到油箱来自动生成最佳控制信号。最终，它可以消除干扰并通过调制输出信号迅速响应输入刺激的变化。

Bhovad说：“我们使用折纸储存器来同时仿真多个非线性滤波器，执行模式生成和调制输出，所有这些都与机器人应用有关。” “例如，模式生成任务对于机器人运动很重要。调制任务确保机器人可以通过改变轨迹来响应外部输入的变化。”

Bhovad和Li通过进行广泛的数值模拟评估了其框架的有效性。他们发现，即使不测量所有折纸折痕的响应，他们的技术也可以完成计算任务。因此，研究人员选择了折痕，传感器和致动器的子集作为重点，从而在不影响折纸储层系统网络整体性能的情况下降低了其复杂性。

该框架可以自主地为机器人系统生成全局目标行为，而不必分别计划和控制不同组件的运动。在他们的研究中，Bhovad和她的同事们展示了如何将其用于规划受worm启发的蠕动爬行机器人的运动。

Bhovad说：“我们证明折纸的非线性折叠动力学具有强大的计算能力。” “我们进行了广泛的数值模拟，以发现折纸设计与其计算能力之间的联系，为优化计算性能提供了指导。最后，我们演示了如何将油藏计算直接嵌入到折纸机器人体内，从而在不使用using的情况下蠕动蠕动任何传统的控制器。”

由这组研究人员设计的创新型油藏计算框架可以很快用于创建基于折纸的新型软机器人，该机器人利用简单的机电一体化，通过分布式传感器和执行器的网络与环境互动，并通过调节其活动或对外部干扰做出响应行为。

为了使这些机器人在非结构化，未知和动态的环境中高效且自主地运行，它们的“主体”和“大脑”应该协同工作，不断交换传感器执行器网络收集的信息，并使用它来完成低级控制任务。Bhovad和她的同事们采用的方法可能是朝着实现这一目标迈出的重要一步。

研究人员现在试图通过实验实现他们的折纸启发型储层计算方法，以进一步验证其有效性。此外，他们想找到方法来精确建模影响机器人运动的物理力，以便将该信息纳入其框架的预测并进一步改善其性能。

Bhovad说：“将来，我们希望将储层计算框架与折纸可以提供的独特机械性能结合起来。” “例如，折纸机制可以表现出多变形性，多稳定性，非线性刚度和负泊松比。将这两种方法结合起来将为下一代具有嵌入式机械智能的软机器人的设计开辟新的途径。”