توسط اینگرید فاضلی ، 7 سپتامبر 2020
روبات های انسان نما ، آنهایی که بدن شبیه انسان ها دارند ، به زودی می توانند به مردم کمک کنند تا طیف گسترده ای از وظایف را انجام دهند. بسیاری از وظایفی که این روبات ها برای تکمیل آنها طراحی شده اند ، شامل برداشتن اشیا با اشکال ، وزن و اندازه های مختلف است.
در حالی که بسیاری از روبات های انسان نما که تا به امروز تولید شده اند قادر به جمع آوری اشیا کوچک و سبک هستند ، بلند کردن اجسام بزرگ و سنگین اغلب چالش برانگیزتر است. در حقیقت ، اگر یک شی بیش از حد بزرگ یا سنگین باشد ، ممکن است یک ربات در نهایت آن را بشکند یا در نیمه کار رها کند.
با توجه به این نکته ، محققان دانشگاه جان هاپکینز و دانشگاه ملی سنگاپور (NUS) اخیراً تکنیکی را توسعه داده اند که به روبات ها امکان می دهد تشخیص دهند که آیا قادر به بالا بردن یک جعبه سنگین با خصوصیات فیزیکی ناشناخته هستند یا خیر. این تکنیک ، که در مقاله ای که پیش از این در نشریه arXiv منتشر شده ، ارائه شده است چنین توصیف می شود که می تواند ربات هایی را قادر سازد که بتوانند اجسام را با کارآیی بالاتر بلند کنند ، و خطر تصمیم آنها نسبت به وسایلی را که نمی توانند پشتیبانی یا حمل کنند ، کاهش می دهد.
یوانفنگ هان ، یکی از محققانی که این مطالعه را انجام داده است ، به نشریه گفت: “ما به ویژه علاقه مند بودیم که این فرایند تحلیلی که چگونه یک ربات انسان نما می تواند در مورد امکان بلند شدن جعبه ای با پارامترهای فیزیکی ناشناخته استدلال کند را ایجاد کنیم.” روبات معمولاً ابتدا باید پارامترهای فیزیکی جعبه را شناسایی کند ، سپس یک مسیر حرکت بدن را ایجاد کند که برای بلند کردن جعبه بصورت ایمن و پایدار باشد. “
فرایندی که از طریق آن یک ربات مسیرهای حرکتی ایجاد می کند که به آن امکان می دهد ان را محاسبه و اشیا را بلند کند . در واقع ، ربات های انسان نما به طور معمول دارای درجه بالایی از آزادی هستند و حرکتی که بدن آنها برای بلند کردن یک جسم نیاز دارد باید چندین محدودیت مختلف را برآورده کند. این بدان معنی است که اگر جعبه ای بیش از حد سنگین باشد یا مرکز ثقل آن بسیار دور از توانایی ربات باشد ، به احتمال زیاد ربات قادر به انجام این حرکت نخواهد بود.
هان توضیح داد: “درباره ما انسانها فکر کنید ، وقتی سعی می کنیم در مورد اینکه آیا می توانیم یک جسم سنگین مانند دمبل را بلند کنیم ، استدلال می کنیم.” “ما ابتدا با دمبل ارتباط برقرار می کنیم تا احساس خاصی از جسم را بدست آوریم. سپس ، بر اساس تجربه قبلی خود ، می دانیم که بلند کردن وزن آن برای ما خیلی سنگین است یا نه. به همین ترتیب ، روش ما با ساخت یک جدول مسیر شروع می شود ، که حرکتهای مختلف بالابر معتبری را برای ربات متناظر با طیف وسیعی از پارامترهای فیزیکی جعبه با استفاده از شبیه سازی ذخیره می کند. سپس ربات این جدول را به عنوان دانش تجربی قبلی خود در نظر می گیرد. “
تکنیک توسعه یافته توسط هان ، با همکاری همکارش Ruixin Li و سرپرست وی Gregory S. Chirikjian استاد و رئیس گروه مهندسی مکانیک در NUS به یک ربات اجازه می دهد تا پارامترهای اینرسی جعبه را پس از تعامل کوتاهی درک کند. متعاقباً ، ربات به جدول مسیری که با استفاده از روش توضیح داده شده ، ایجاد شده نگاه می کند و بررسی می کند که آیا شامل حرکتی بالابرنده است که به آن امکان می دهد جعبه ای را با این پارامترهای محاسبه شده ، بلند کند.
اگر این حرکت یا مسیر وجود داشته باشد ، بلند کردن جعبه عملی ارزیابی می شود و ربات می تواند بلافاصله کار را انجام دهد. اگر وجود نداشته باشد ، ربات وظیفه را فراتر از توانایی خود می داند.
هان گفت: “اساساً جدول مسیری که روش ما به صورت آفلاین می سازد ، مسیرهای حرکتی لیفتینگ کل بدن را با توجه به دامنه پارامترهای اینرسی یک جعبه ذخیره می کند.” “متعاقباً ، ما یک الگوریتم مبتنی بر تعامل فیزیکی ایجاد کردیم که به ربات کمک می کند با خیال راحت با جعبه تعامل کند و پارامترهای اینرسی جعبه را تخمین بزند.”
این تکنیک جدید به ربات ها اجازه می دهد تا به سرعت تشخیص دهند که آیا قادر به انجام یک کار مربوط به بالابردن اجسام هستند. بنابراین باعث صرفه جویی در وقت و قدرت محاسباتی می شود ، زیرا مانع از این می شود که ربات ها قبل از هر اقدامی برای بلند کردن ، حتی حرکات ناموفق ، حرکات مناسب در تمام بدن را ایجاد کنند.
هان و همکارانش رویکردی را که در یک سری آزمایش با استفاده از NAO ، یک ربات انسان نمای مشهور ساخته شده توسط SoftBank Robotics ، ارزیابی کردند. در این آزمایشات ، ربات به سرعت و به طور موثر اشیاء را شناسایی كرد كه بلند كردن آنها بجز از طریق روش جدید غیرممكن یا بسیار دشوار است. در آینده ، همین روش می تواند در مورد سایر ربات های انسان نما نیز به کار رود تا آنها در انجام کارهایی که شامل بلند کردن اجسام بزرگ یا سنگین است ، از قابلیت اطمینان و کارآیی بیشتری برخوردار شوند.
هان گفت: “روش ما می تواند به طور قابل توجهی بهره وری کار را ، به ویژه برای کارهای تکرار شونده افزایش دهد.” “در کارهای آینده ما ، ما قصد داریم رویکرد خود را به اشیا مختلف یا کارهای مرتبط با بلند کردن اعمال کنیم.”
