فیلم اول: راه رفتن استاتیکی ربات دوپا E0 هوندا در سال 1986

فیلم دوم: راه رفتن دینامیکی ربات دوپا E2 هوندا در سال 1991

تصویر سوم: جابجایی تصویر مرکز جرم ربات دوپا در صفحه حرکتی در حرکت استاتیکی و حرکت دینامیکی

#پروژه_بررسی_14_ربات_انسان_نمای_معروف
ربات انسان نمای اول | #ربات_ASIMO
قسمت سوم: قابلیت های حرکتی
زیر قسمت اول: تکنولوژی انحصاری راه رفتن دوپا در شرکت هوندا
بخش دوم: معرفی zero moment point یا ZMP | تولید الگوی حرکتی در تکنولوژی walk stabilization control


تکنولوژی walk stabilization control بر اساس یک مفهوم در دینامیک که نقطه با ممان صفر (zero moment point) یا ZMP نام دارد، اقدام به ایجاد الگوی راه رفتن (به عنوان الگوی حرکتی هدف) می کند. ربات انسان نما باید الگوی تولید شده را دنبال کند.
نیروی گرانش (در راستای عمود بر زمین) و نیروی اینرسی وارده بر انسان نما (در راستای موازی با زمین) در راه رفتن دینامیکی بصورت برآیند منجر به ایجاد نیروی اینرسی کلی می شوند. نقطه ای که در آن امتداد نیروی اینرسی کلی به زمین برخورد می کند، ZMP نامیده می شود. برای درک این موضوع و نحوه تعیین ZMP می توانید تصویر چهارم را ببینید. اگر که ZMP در محل تماس پای تعادلی درفاز تعادل با یک پا و یا در محل چندضلعی ایجاد شده بین محل تماس هر دو پا در فاز تعادل دوپا واقع شود، آنگاه انسان نما می تواند در راه رفتن از نظر دینامیکی در تعادل باشد. برای درک این موضوع می توانید تصویر پنجم را ببینید که در آن شرایط تعادل دینامیکی بر اساس مفهوم ZMP ارائه شده است. بنابراین ZMP هدف بگونه ای تعریف می شود که شرایط مورد بحث ارضاء گردد. الگوی راه رفتن هدف بگونه ای تولید می شود که ترجکتوری مطلوب (با شرط قرار گرفتن ZMP در مکان مناسب برای تحقق تعادل دینامیکی) محقق شود. در واقع الگوی راه رفتن هدف توسط ترجکتوری در روبروی پا توصیف می شود. این ترجکتوری برای تعیین زوایای مفصلی ربات، موقعیت بالا تنه و ترجکتوری وضعیت انسان نما لازم است.
الگوی راه رفتن هدف بر اساس تنظیم شتاب افقی بالا تنه (بگونه ای که ممان حول ZMP هدف صفر گردد) تولید می شود.
—————
@roboticknowledge

تصویر چهارم:‌ مفهوم ZMP

تصویر پنجم: شرایط تعادل دینامیکی بر اساس مفهوم ZMP - ترجکتوری این نقطه در تصویر c مشخص شده است.

#ربات_های_الهام_گرفته_شده_از_طبیعت
سریع و موثر شدن شدن شنا در ربات ماهی مانند با کمک استراتژی تنظیم سختی دم

ماهی‌ها در بسیاری از سرعت ها از نظر انجام شنا (حرکت در آب) کارایی بالایی دارند. دلیل این کارایی، انعطاف پذیری ماهی می‌باشد. به همین سبب، پژوهشگران در جهت تقلید از طبیعت به دنبال توسعه ربات ماهی مانند انعطاف پذیر رفتند تا بیشتر از اثر انعطاف پذیری بر حرکت جاندار بدانند. ماهی ها با استفاده از عضلات خود سختی دم خود را به گونه‌ای تغییر می‌دهند که حرکت با کارایی بالا به دست آید. در مقاله چاپ شده در ScienceRobotics مدل‌سازی اثر سختی دم بر کارایی حرکت انجام شده است که به سوال اساسی درباره چرایی و چگونگی اثر سختی بر کیفیت حرکت ماهی پاسخ داده می‌شود.
بر اساس مدل‌سازی ارائه شده برای بیشینه کردن کارایی حرکتی ربات، کشش ماهیچه‌ای باید به صورت متناسب با توان دوم سرعت تنظیم شود. این مدل تنظیم سختی یک استراتژی بسیار ساده در بهبود کارایی حرکتی ربات های ماهی مانند می‌باشد. تنظیم سختی در فرکانس حرکتی ربات ماهی مانند (0 تا 6 هرتز) یا سرعت آن (بین 0 تا 2 برابر طول بدن بر ثانیه) کارایی حرکتی را تا دو برابر بهبود می‌بخشد. مقدار انرژی ذخیره شده با افزایش فرکانس کاری افزایش می‌یابد. بنابراین بیشترین سود را از تنظیم سختی دم، ربات‌های ماهی مانند با فرکانس حرکتی بالا خواهند برد. در تصویر مدل مکانیکی ربات ساخته شده قابل مشاهده می‌باشد.

—————
@roboticknowledge

تصویر: مدل و ساختار ربات ماهی مانند با قابلیت تنظیم سختی دم

#بازوی_رباتیک
ساخت افزایشی 5 بعدی با کمک بازوی رباتیک ماهر

در ده سال گذشته فناوری چاپ 3 بعدی قطعات پتانسیل قابل توجهی در مهندسی، پزشکی، دندان پزشکی و هوافضا از خود نشان داده است. در سال 2014 مفهوم چاپ 4 بعدی و در سال 2016 مفهوم چاپ 5 بعدی در راستای تکامل تکنولوژی‌ اصلی ساخت افزایشی ارائه شد. در تکنولوژی چاپ 5 بعدی از پنج درجه آزادی حرکتی برای لایه گذاری و ساخت قطعه استفاده می‌شود. در چاپ 3 بعدی لایه‌های خطی و در چاپ 5 بعدی لایه‌ها بصورت منحنی ایجاد می‌شوند. در نتیجه اشیاء دارای انحنا بسیار با کیفیت ساخته خواهند شد و استحکام مکانیکی آنها به طرز چشم گیری افزایش پیدا می‌کند.
یکی از محصولات مهم تولید شده در این تکنولوژی به استخوان‌های مصنوعی تعلق دارد که در جراحی استفاده می‌شوند. هندسه انحنا دار این عضو در کنار نیاز آن به استحکام بالا استفاده از تکنولوژی چاپ 5 بعدی در پروسه ساخت را توجیه پذیر ‌ارائه می‌کند. در این مقاله می‌توانید کاربرد این تکنولوژی در ارتوپدی را مطالعه کنید.
با توجه به اینکه نازل چاپگر 5 بعدی باید نسبت به قطعه 5 درجه آزادی داشته باشد، استفاده از بازوان رباتیک ماهر و نصب نازل چاپگر ماده در مکان مجری نهایی آن‌ها برای ایجاد حرکت 5 درجه آزادی مورد نظر کاملا مطلوب به نظر می‌رسد. شرکت HB3D همکار شرکت Blueflame3D در هلند اقدام به ساخت بدنه قایق با تکنولوژی چاپ 5 بعدی توسط بازوی رباتیک ماهر پنج درجه آزادی شرکت KUKA می‌کند که فیلم آن را می‌توانید مشاهده کنید. ساخت آسان، با کیفیت و البته با هزینه بالا در حال حاضر (و ارزان در آینده) از ویژگی‌های مهم این تکنولوژی می‌باشد. در عرصه ساخت ماهواره‌بر نیز بر اساس این تکنولوژی شرکت‌هایی فعال هستند که سعی می‌شود در آینده مورد بررسی واقع شوند.
—————
@roboticknowledge

فیلم: چاپ 5 بعدی بدنه قایق توسط HB3D در هلند.

#میکرورباتیک #تحویل_دارو
تحویل انسولین توسط اتصال کپسول مغناطیسی دارویی به ایمپلنت درون شکم و مدیریت عملیات توسط ربات

در سال به صورت منظم محموله‌های گوناگون توسط ماهواره‌بر ها به ایستگاه فضایی ببین‌المللی ارسال می‌شود. از ماژول‌های توسعه ایستگاه تا آذوقه برای فضانوردان! حال تصور کنید که یک عملیات تحویل محموله مینیاتوری به همین سبک دورن بدن خودتان انجام شود.
پژوهشگران اعلام کرده‌اند که یک سیستم رباتیک مختص عملیات Supply Drop دارو در بدن توسعه داده‌اند که تمام کارکرد آن در دل و روده رخ می‌دهد. سیستم مورد بحث یک ربات تحویل‌دهنده انسولین می‌باشد. این سیستم دارای یک ایمپلنت کاشته شده در شکم است که انسولین مورد نظر آن توسط کپسول خوردنی مغناطیسی تامین می‌شود (مقاله ارائه شده) .در این تصویر می‌توانید طرح مفهومی این ربات را ببینید.
پژوهشگران توسعه دهنده این سیستم رباتیک تحویل انسولین که در ایتالیا مستقر هستند، عملکرد این ربات را بر روی سه خوک مبتلا به دیابت بررسی کرده‌اند. طبق نتایجی که توسعه‌دهندگان ربات در مجله Science Robotics منتشر کرده‌اند (مقاله منتشر شده)، سطح گلوکز خون خوک‌ها برای چندین ساعت با موفقیت کنترل گردید.
ایمپلنت داخلی در امتداد دیواره شکم که با روده کوچک در ارتباط است، کاشته می‌شود. ابعاد این ایمپلنت در حدود یک تلفن همراه می‌باشد. این ایمپلنت انسولین را بصورت مایع در فضای مورد اشاره آزاد می‌کند. با کاهش سطح انسولین مایع موجود در ایمپلنت، با خوردن یک قرص مغناطیسی پر شده از انسولین مایع می‌توان مخزن آن را پر کرد.
با بلعیدن، کپسول از طریق دستگاه گوارش حرکت می‌کند تا به قسمتی از روده کوچک برسد که ایمپلنت در آنجا قرار گرفته است. ایمپلنت با میدان مغناطیسی خود کپسول را جذب می‌کند و با تصحیح جهت آن توسط گرادیان میدان مغناطیسی، در راستای مناسب کپسول را به خود متصل می‌کند. سپس ایمپلنت با یک سوزن جمع‌شونده کپسول را پانچ می‌کند و انسولین مایع را به مخزن خود پمپ می‌کند. ایمپلنت دارای چهار عملگر برای کنترل اتصال، پانچ توسط سوزن، حجم مخزن و پمپ انسولین است. طراحی بر اساس ربات‌های صنعتی بازرسی از لوله الهام گرفته شده است!
پس از جذب مایع انسولین قرص مغناطیسی، باقی‌مانده آن توسط روده از بدن دفع می‌شود. میدان‌های مغناطیسی که اتصال و آزاد شدن کپسول را کنترل می‌کنند، توسط یک دستگاه بی‌سیم خارجی کنترل می‌شوند. باتری ایمپلنت نیز بصورت بی‌سیم شارژ می‌شود.
این ربات (بهتر است بگوییم سیستم رباتیک!) برای بیماران دیابتی نوع اول که روزانه باید چندین مرتبه انسولین دریافت کنند، در آینده می‌تواند بسیار مفید باشد؛ البته به شرط آنکه برای جراحی ایمپلنت داخلی ایده‌ی بهتری اجرا شود!

—————
@roboticknowledge

تصویر: سیستم رباتیک تحویل دارو (انسولین) توسط قرص مغناطیسی و ایمپلنت درونی

#گروه_ربات #استخراج_فضایی
دسته (گروه) شدن ربات‌های خودمختار برای برداشت منابع ماه

محققان دانشگاه Arizona برابر پانصد هزار دلار بودجه برای توسعه روش‌های استخراج پیشرفته منابع در فضا که با بکارگیری گروهی از ربات‌های خودمختار (swarms of autonomous robots) اجرا می‌شود، دریافت کرده‌اند. این گروه پژوهشگر نمونه اولیه یک سطح‌نورد ارزان که تماما با چاپ افزایشی ساخته شده است را برای ارزیابی نسل جدید سنسورهای مینیاتوری (که در استخراج از سطح ماه استفاده خواهد شد) را توسعه داده‌اند.
ایده و برنامه‌های مرتبط با استخراج در فضا روز به روز در حال افزایش است. دلیل این امر ساده است. شما از یک روستا در جنوب به یک روستا در شمال مهاجرت می‌کنید. برای ساخت خانه در مقصد، مواد اولیه را از مرکزی نزدیک به مبدا تهیه می‌کنید یا نزدیک به مقصد؟ پاسخ مشخص است. از جایی مواد ساخت را تهیه می‌کنید که به شما نزدیک‌تر باشد تا هزینه‌ها را کاهش دهید! حال تصور کنید که فاصله مبدا و مقصد به اندازه فاصله بین سیارات باشد! با افزایش سفرهای فضایی و به دنبال آن ایجاد مراکز و پایگاه‌های فضایی، در دسترس بودن مواد اولیه ساخت به یک مساله جدی تبدیل شده است که پاسخ آن در استخراج مواد در فضا است. به عنوان شروع در این مسیر جدید، NASA به دنبال تسخیر ماه با انجام ساخت و ساز پایگاه در آن است که تنها با استخراج مواد اولیه از خود ماه این عملیات ممکن است.
یک فرضیه به نام Giant Impact وجود دارد که طبق آن زمین و ماه از یک بدن مشترک به وجود آمده‌اند. اگر این چنین باشد، ترکیبات شیمیایی مشترک در زمین در ماه نیز پیدا خواهد شد. برای مثال آلیاژ‌های فلزی کمیاب خاکی که در ساخت پردازنده استفاده می‌شوند یا فلزات گرانبها و یا مواد رادیواکتیو که در تولید انرژی ضروری هستند، در ماه نیز باید قابل یافتن باشند.
در زمین برای استخراج سنگ معدنی، باید سنگ‌ها دریل شوند. یکی از افراد تیم پژوهشگر مورد اشاره، یک فرآیند الکتروشیمیایی ایجاد کرده است که تا پنج برابر سریع‌تر از روش‌های قبلی اقدام به دریل در سنگ می‌کند. اما استخراج در ماه چالش‌های جدیدی دارد. در زمین انرژی نا محدود برای شکستن سنگ‌ها وجود دارد. علاوه بر آن، از آب هم استفاده می‌شود. در ماه نه انرژی محدود هست و نه آبی در کار است! به صرفه‌ترین روش برای شکستن سنگ‌ها در زمین انفجار است و متاسفانه هنوز کسی در ماه انفجاری انجام نداده است!
به نظر بهترین راه برای استخراج مواد ماه در یک کار گروهی توسط ربات‌هایی با مصرف انرژی بهینه قرار دارد. یکی از پژوهشگران این گروه در آزمایشگاه خود در حال تطبیق ساختار یادگیری نورومورفیک است که خود توسعه داده است و نام آن را Human and Explainable Autonomous Robotic System یا بطور مختصر HEART گذاشته است. سیستم HEART به ربات‌ها کار کردن گروهی در معدن، ساخت و ساز و چگونگی همکاری بهتر را در زمان یاد می‌دهد. تیم پژوهشگر در نظر دارد که ربات‌ها را در زمین با این سیستم آموزش دهد. در افق این تیم، ربات‌ها در ماه بصورت خودمختار (بدون هیچ دریافت دستوری از زمین) مواد را استخراج خواهند کرد و از آنها برای ساخت و ساز استفاده می‌کنند.
اگر در نتیجه این پروژه موفقیت کسب شود، کاوش فضایی بسیار پیشرفت خواهد کرد و فضانوردان بهتر بر روی ماموریت‌ها کار خواهند کرد. کارهای فضایی کثیف توسط ربات‌ها بصورت گروهی و مدیریت عملیات‌های اصلی توسط انسان‌ها خواهد بود!
مرجع این مطلب در سایت Robotics Research می‌باشد که اگر به دانستن اسامی محققان علاقه دارید، از این لینک می‌توانید به آن دسترسی داشته باشد. در این تصویر هم ایده و مفهوم این پروژه ارائه شده است.
—————
@roboticknowledge

تصویر: کار گروهی ربات‌ها در ماه برای استخراج ماده اولیه و ساخت کلونی - پروژه مشترک NASA و دانشگاه Arizona

#بازوی_رباتیک #رباتیک_فضایی
بازوی رباتیک شرکت GITAI در خدمت ایستگاه فضایی!

شرکت ژاپنی GITAI یک مجموعه کمک نوآور (همان startup) فعال در توسعه ربات‌های فضایی است که به دنبال کاهش هزینه عملیات‌های فضایی خصوصا در ماه و مریخ و بحث‌های مرتبط با ساخت کلونی در آنها می‌باشد (در خصوص ایجاد کلونی یک مطلب در همین کانال در این لینک می‌توانید بخوانید). این شرکت در حال حاضر سه محصول دارد که ربات S1 آنها اقدام به جلب توجه کرده است! اواخر ماه اوت این شرکت توسط SpaceX و محموله ارسال شده از سوی NASA برای ISS اقدام به ارسال ربات S1 خود به ایستگاه فضایی کرد.
در این تصاویر می‌توانید ربات S1 را ببینید. جعبه‌ای که در کنار ربات است، محل قرارگیری دوربین‌های نظارتی و مدارهای کنترلی است. S1 یک بازوی رباتیک است که قرار است در ISS فعالیت‌های روزانه فضانوردان را انجام دهد (مثل زدن دکمه‌های مختلف). در واقع این ربات دقیقا کاری مثل آنچه که بازوان ماهر در زمین انجام می‌دهند را در فضا انجام خواهد داد. از نظر اندازه‌ای S1 در حدود ابعاد دست انسان و وزن آن در حدود 20 کیلو گرم است.
ربات S1 بسیاری از فعالیت‌های خود را بصورت خودمختار انجام خواهد داد و اپراتور به آنها نظارت دارد. سازنده نیز می‌تواند برخی عملیات‌ها را بصورت دستی اجرا کند. این ربات برای انجام‌ کارهای دستی از پیش تعیین شده طراحی شده است. این ربات توانایی کار درون ISS، خارج از آن، انجام خدمات مداری و نهایتا کمک به فعالیت‌های کلونی سازی را دارد. S1 دارای 8 درجه آزادی برای حرکت دادن مجری نهایی و 1 درجه آزادی در EE برای گرفتن اشیاء است. درجات اضافی ربات در حرکت منجر به ماهر شدن آن در رسیدن به یک نقطه با در نظر گرفتن مواردی مثل ترجکتوری بهینه از بینهایت مسیر می‌شود که البته چالش‌های کنترلی متعددی در پی دارد. بیشینه شعاع کاری ربات برابر 1 متر است. این ربات در سرعت چرخشی 23.8 دور بر دقیقه می‌تواند 100 نیوتن.متر گشتاور در EE خود ارائه کند.
—————
@roboticknowledge

#هوش_مصنوعی #راه_رفتن_چهار_پا
یادگیری تقویتی با مولد ترجکتوری تحولی

راه رفتن یک ربات چهار پا را تجسم کنید. در حالت عادی برای هر سناریو محیطی (مسیر مستقیم یا شیب دار بدون پله یا شیب دار با پله و مسیر باریک و ...) یک کنترل‌کننده مخصوص باید طراحی گردد تا ربات امکان حرکت داشته باشد. در واقع حداقل واحد مولد ترجکتوری کنترل‌کننده باید بر اساس سناریو تغییر کند. این مساله زیاد ساده نیست و دشواری‌های خاص دارد.

الگوریتم‌های یادگیری تقویتی (Reinforcement Learning) نیز در حالت عادی امکان یادگیری کامل راه رفتن موثر (منظور واحد تولید مسیر مطلوب کنترل‌کننده است که در محیط تولید مسیر را یاد بگیرد) را ندارند یا با دشواری‌های زیادی سر و کار دارند! دلیل عدم یادگیری موثر RL دینامیک غیرخطی ربات چهار پا و بحث reward sparsity در RL است. اجازه بدهید کمی در خصوص این بحث صحبت کنیم.

در مسائل RL دنیای واقعی چالشی بر سر راه عامل یا agent ظاهر می‌شود که یادگیری را مشکل می‌کند. این چالش که به نام sparse extrinsic reward یا پاداش خارجی کم تراکم (واقعا معادل بهتری به ذهن بنده نرسید🙂) معروف است، با این ويژگی قابل مشخص شدن است که در یک فعالیت مشخص، تنها تعداد کمی نقطه در فضای حالت سیستم دینامیکی وجود دارد که در آنها سیگنال فیدبک به agent داده می‌شود. برای مثال اگر فعالیت agent رسیدن به یک موقعیت مطلوب باشد و تنها هنگامی که به اندازه کافی به هدف نزدیک باشد به او سیگنال پاداش داده می‌شود. برای حل این چالش روش‌های مختلفی ارائه شده است که در این مقاله می‌توانید مطالعه کنید و ما از بحث خود دور نمی‌شویم!

در ادامه بحث مشکلات RL های رایج برای تولید مسیر یک ربات چهار پا، می‌توان مثال راه رفتن تعادلی بر روی یک بیم را زد که یک فعالیت بسیار مشکل است! محققان یک روش جدید مبتنی بر RL برای تولید ترجکتوری ارائه کرده‌اند. در روش‌های قبلی تولید ترجکتوری توسط یک واحد بدون تغییر انجام می‌شد اما در روش جدید مولد شکل خروجی تولید شده را بر اساس سناریو بهینه می‌کند. این اتفاق منجر به تنوع حرکات پیشین برای یادگیری policy یا سیاست می‌شود. سیاست با RL به شکلی آموزش می‌بیند که خروجی (ترجکتوری تولید شده) منطبق بر راه رفتن در سناریوهای متفاوت شود. به طور متناوب مولد ترجکتوری و شبکه سیاست بهینه می‌شوند تا آموزش پایدار گردد و داده‌های اکتشافی اشتراک گذاشته شده منجر به بهبود کارایی نمونه شود.

در نشان دادن کارایی این روش، کنترل‌کننده یک ربات 12 درجه آزادی چهار پا طی شبیه‌سازی راه رفتن در سناریوهای محیطی مختلف را یاد گرفته است که در این فیلم خروجی کار آنها قابل دیدن است. همچنین اجرای این روش یادگیری مولد مسیر بر روی ربات واقعی انجام شده است که می‌توانید فیلم آن را ببینید. این یک پروژه open source است که در github در این لینک می‌توانید به آن دسترسی داشته باشید و بر روی ربات چهار پای خود اجرا کنید. البته اگر ربات چهار پا داشته باشید!

—————
@roboticknowledge

فیلم: انیمیشن یادگیری راه رفتن (تولید مسیر) توسط الگوریتم تحولی مبتنی بر RL در ربات چهار پا در سناریوهای گوناگون

فیلم: پیاده‌سازی الگوریتم یادگیری راه رفتن در ربات چهار پا در الگوریتم تحولی مبتنی بر RL