آنها یک کنترلکنندهٔ جدید مبتنی بر هوش مصنوعی ساختهاند که به ربات حشرهمانند امکان انجام مانورهای پروازی دشوار از جمله پشتکزدنهای مکرر را میدهد.
این سیستم کنترلی دو بخشی، عملکرد قوی را با کارایی محاسباتی ترکیب میکند و در مقایسه با بهترین نمایشهای پیشین پژوهشگران، سرعت ربات را حدود ۴۵۰ درصد و شتاب آن را حدود ۲۵۰ درصد افزایش داده است.
به گزارش ایتنا و به نقل از SciTechDaily، این ربات میکروسکوپی ۱۰ پشتک متوالی را در ۱۱ ثانیه انجام داد و حتی زمانی که وزش باد آن را تهدید میکرد، کنترل خود را حفظ نمود.
کوین چن، دانشیار گروه مهندسی برق و علوم رایانه و سرپرست آزمایشگاه رباتیک نرم و میکرو در دانشگاه امآیتی، در این باره میگوید: «میخواهیم از این رباتها در سناریوهایی استفاده کنیم که رباتهای کوادکوپتر سنتی در پرواز به آنها با مشکل برمیخورند، اما حشرات میتوانند در آنها حرکت کنند. اکنون با چارچوب کنترل الهامگرفته از طبیعت ما، عملکرد پرواز ربات از نظر سرعت، شتاب و زاویه شیب با حشرات قابل مقایسه است».
این ربات حشرهمانند که از یک نوار کاست کوچکتر و سبکتر از یک گیره کاغذ است، اکنون میتواند مانورهای پروازی سریع و دشوار را انجام دهد. این دستاورد بر اساس بیش از پنج سال کار گروه چن برای بهبود طراحی فیزیکی و کنترل رباتهای پرنده کوچک ساخته شده است.
جدیدترین مدل این ربات نسبت به نسخههای پیشین بادوامتر است و بالهای بزرگتری برای چابکی بیشتر دارد. ماهیچههای مصنوعی نرم این بالها را با سرعت بسیار بالا به جلو و عقب به حرکت درمیآورند.
با وجود پیشرفت سختافزاری، کنترلکننده ربات همچنان یک محدودیت عمده بود، زیرا باید توسط یک فرد به صورت دستی تنظیم میشد.
برای تطبیق با حرکات سریع و تهاجمی یک حشره، به کنترلکنندهای نیاز بود که بتواند عدم قطعیت را مدیریت کند و مسائل بهینهسازی دشوار را به سرعت حل نماید.
گروه چن با تیم ها برای غلبه بر این چالش همکاری کردند و یک سیستم کنترلی دو مرحلهای مبتنی بر هوش مصنوعی ایجاد کردند که قابلیت اطمینان لازم برای مانورهای سریع و پیچیده را با کارایی مورد نیاز برای عملکرد در زمان واقعی ترکیب میکند.
بخش اول این سیستم، یک کنترلکننده پیشبینیکننده مدل است که با استفاده از یک مدل ریاضی از حرکت ربات، بهترین توالی اقدامات را برای دنبالکردن ایمن یک مسیر برنامهریزیشده انتخاب میکند.
پژوهشگران به جای اجرای مستقیم این کنترلکننده در طول پرواز، از آن به عنوان یک معلم متخصص استفاده کردند و از طریق یادگیری تقلیدی، یک سیاست مبتنی بر مدل یادگیری عمیق را آموزش دادند که موتور تصمیمگیری ربات را تشکیل میدهد.
آزمایشها نشان داد که این سیستم دو مرحلهای به ربات حشرهمانند اجازه داد ۴۴۷ درصد سریعتر پرواز کند و ۲۵۵ درصد شتاب بیشتری نسبت به قبل داشته باشد و ۱۰ پشتک را در ۱۱ ثانیه انجام دهد.
این ربات همچنین حرکتی به نام «ساکاد» را بازتولید کرد که در آن حشرات به شدت کج میشوند، به سمت یک مکان شتاب میگیرند و سپس برای توقف در جهت مخالف میچرخند.
گام بزرگ بعدی، تجهیز این رباتهای میکروسکوپی به دوربینها و حسگرها خواهد بود تا بتوانند بدون تکیه بر یک سامانه پیچیده ضبط حرکت، در فضای باز حرکت کنند.
پژوهشگران همچنین قصد دارند بررسی کنند که آیا حسگرهای رویبرد میتوانند به گروههایی از رباتها کمک کنند تا حرکات خود را هماهنگ کرده و از برخورد با یکدیگر جلوگیری کنند.
کوین چن در پایان گفت: «برای جامعه رباتیک میکرو، امیدوارم این مقاله نشاندهنده یک تغییر پارادایم باشد و ثابت کند که میتوانیم معماری کنترل جدیدی را توسعه دهیم که هم عملکرد بالا و هم کارایی را به طور همزمان داشته باشد».∎