裝配線上使用的機器人非常擅長反復執(zhí)行特定任務。但即便是最好的機器人也無法適應不可預見的環(huán)境變量。

機械和航空航天工程副教授Rob Shepherd表示，“它們不像我們那樣好”，能夠感知自己與周圍環(huán)境的關(guān)系。“在感官測量方面，它們的能力遠遠低于生物體。......能夠感受并回應那些他們失蹤的感情。“

Shepherd的最新作品代表了向機器人的曲目添加這種缺失成分的一步。通過光纖和機器學習的結(jié)合，Shepherd的團隊已經(jīng)開始開發(fā)一種機器人，能夠“了解”其相對于環(huán)境的配置。

“我們希望讓軟機器人能夠與我們的環(huán)境進行有意義的互動，就像我們做的那樣，”Shepherd實驗室的博士生Ilse van Meerbeek說道，他是11月28日在科學雜志上發(fā)表的“具有本體感受的軟光電感官泡沫”的主要作者。機器人。此外，還有計算機科學系助理教授Chris De Sa.

最先進的軟機器人目前采用表面安裝的傳感器來檢測壓力和觸摸，或者沿著可彎曲的肢體嵌入傳感器以測量曲率。Shepherd說，機器人相對于其環(huán)境感知其狀態(tài)的能力 - 被稱為本體感受 - 仍然未被探索，但隨著機器人變得更有能力，這將是必要的。“他們必須高度準確地知道他們的身體配置是什么，以及他們與之互動的是什么，”他說。

Van Meerbeek曾與金屬泡沫混合材料合作，共同開發(fā)了一種感官系統(tǒng)，其中包括嵌入彈性體泡沫中的30根光纖陣列，同時將光線傳輸?shù)脚菽胁⑼ㄟ^內(nèi)部反射接收波浪。

漫反射光產(chǎn)生的圖案是由不同程度的變形引起的 - 在多個方向上扭曲和彎曲 - 機器人可以通過機器學習來解釋和糾正。Van Meerbeek采用兩種方法收集數(shù)據(jù)：單輸出分類(檢測彎曲或扭曲)和回歸(檢測幅度);和多輸出回歸(同時檢測彎曲和扭曲)。

在De Sa的幫助下將多種機器學習技術(shù)結(jié)合到研究中，用于預測 - 一些具有100%準確度 - 變形類型的大小。

“我們在這項工作中表明，我們可以使用這一系列光纖同時檢測彎曲和扭曲，”van Meerbeek說，并指出他們通過系統(tǒng)地從30個光學系統(tǒng)中刪除數(shù)據(jù)來證實其機器學習模型的穩(wěn)健性。纖維。

盡管它們的變形分類僅限于四種模式 - 兩個方向彎曲和兩個方向扭曲 - 該組認為其方法可用于更多類型的變形。

未來的工作將解決漂移問題：光纖嵌入可拉伸的基質(zhì)中，最終纖維會脫落或改變其位置。“你用一種配置訓練他們，然后他們移動到另一種配置，”Shepherd說，“那么模型的準確度如何呢?”

Shepherd說他們正在將軟機器人引向新的方向。

“這只是制造機器人的另一種方式，”他說。“我們不需要自上而下組裝機器人，就像現(xiàn)在使用螺栓和鉸鏈一樣。我們可以從下往上進行模塑和生長，傳感器分布在整個空隙中，并在整個機身內(nèi)安裝執(zhí)行器。這更像是一個有機體，而不是一個機器人。“

這項工作得到了空軍科學研究辦公室，國家科學基金會研究生研究獎學金計劃和阿爾弗雷德·斯隆基金會的資助。