#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
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
PubMed Central (PMC)
5D printing and its expected applications in Orthopaedics
Disclaimer
Robotic Knowledge
#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…
This media is not supported in your browser
VIEW IN TELEGRAM
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
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
Science Robotics
A fully implantable device for intraperitoneal drug delivery refilled by ingestible capsules
Intraperitoneal insulin release is achieved using an implantable reservoir that is refilled with magnetic pills.
Robotic Knowledge
#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…
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
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
Robotics Research
Autonomous Robot Swarms to Harvest the Moon's Resources | Robotics Research
Aerospace and mining engineers are mapping out a plan for harvesting the moon's resources using autonomous robot swarms and new excavation techniques.
Robotic Knowledge
#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…
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
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
GITAI
COMPANY | GITAI
تصویر اول و دوم: ربات S1 به همراه جعبه کنترل/نظارت | تصویر سوم: انجام تست‌های زمینی S1 در محیط شبیه‌ساز ISS
#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
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
Medium
Reinforcement Learning: Dealing with Sparse Reward Environments
Reinforcement Learning (RL) is a method of machine learning in which an agent learns a strategy through interactions with its environment…
This media is not supported in your browser
VIEW IN TELEGRAM
فیلم: انیمیشن یادگیری راه رفتن (تولید مسیر) توسط الگوریتم تحولی مبتنی بر RL در ربات چهار پا در سناریوهای گوناگون
This media is not supported in your browser
VIEW IN TELEGRAM
فیلم: پیاده‌سازی الگوریتم یادگیری راه رفتن در ربات چهار پا در الگوریتم تحولی مبتنی بر RL
#اتوماسیون #خدمات_رباتیک
خدمات شستن ظروف توسط خط اتوماتیک رباتیک شرکت dishcraft
شرکت dishcraft ارائه دهنده خط تمام اتوماتیک برای شست و شوی ظروف است که با هدف بهبود کارایی شست و شو در حجم بالا و کاهش تولید زباله سیستم رباتیک خود را توسعه داده است. طبق فیلم خط ظرفشویی این شرکت از چند مکانیزم و حداقل یک بازوی رباتیک استفاده می‌کند. dishcrafe در فرآیندی‌های تشخیصی و بازرسی ظروف از هوش مصنوعی هم استفاده می‌کند. در این تصویر سیکل کاری این شرکت را مشاهده می‌کنید. طبق این سیکل، این شرکت به دنبال انجام شستن ظروف و تحویل آنها است و نه فروش خط خود (حداقل در حال حاضر). طبق داده‌های این شرکت، تولید زباله مشتریان 60٪ کاهش یافته است. در حال حاضر خدمات این شرکت به San Francisco Bay محدود هست. در ایران خودمان چنین خدمات نوینی در آينده حتما پتانسیل اقتصادی خوبی خواهد داشت!
—————
@roboticknowledge
خدمات شستن ظروف توسط خط اتوماتیک رباتیک شرکت dishcraft
شرکت dishcraft ارائه دهنده خط تمام اتوماتیک برای شست و شوی ظروف است که با هدف بهبود کارایی شست و شو در حجم بالا و کاهش تولید زباله سیستم رباتیک خود را توسعه داده است. طبق فیلم خط ظرفشویی این شرکت از چند مکانیزم و حداقل یک بازوی رباتیک استفاده می‌کند. dishcrafe در فرآیندی‌های تشخیصی و بازرسی ظروف از هوش مصنوعی هم استفاده می‌کند. در این تصویر سیکل کاری این شرکت را مشاهده می‌کنید. طبق این سیکل، این شرکت به دنبال انجام شستن ظروف و تحویل آنها است و نه فروش خط خود (حداقل در حال حاضر). طبق داده‌های این شرکت، تولید زباله مشتریان 60٪ کاهش یافته است. در حال حاضر خدمات این شرکت به San Francisco Bay محدود هست. در ایران خودمان چنین خدمات نوینی در آينده حتما پتانسیل اقتصادی خوبی خواهد داشت!
—————
@roboticknowledge
Dishcraft
Automated Corporate Dishwashing Services | Dishcraft Robotics
Dishcraft's Corporate Dishwashing Service simplifies your dining operations. Dishcraft delivers sanitized wares daily, eliminating strain on your staff.
This media is not supported in your browser
VIEW IN TELEGRAM
فیلم: کارکرد خط اتوماتیک شست و شوی ظروف dishcraft
تصویر: از اولین ربات‌های کار با بمب. دیتای دریافتی از ربات به اپراتور و یا دستورهای اپراتور به ربات از طریق سیم به پلتفرم ارسال می‌شد. طبیعی است. آن زمان ارتباط بی‌سیم به شکل الان وجود نداشت!
—————
@roboticknowledge
—————
@roboticknowledge
#سنسور #مکانیزم_تشخیص
سنسور نیرو/تغییر شکل بر اساس تغییر شکل مکانیزم‌های انعطاف پذیر
پژوهشگران MIT موفق به اضافه کردن قابلیت حس کردن به ماده یک جسم شده‌اند که در تکنولوژی‌های رباتیک بسیار کاربردی است. دیگر می‌توان به چیزی به غیر از Load Cell هم برای اندازه‌گیری نیرو فکر کرد!
آنها روش جدیدی توسعه داده‌اند که در آن با چاپ سه بعدی مکانیزم‌های تشخیصی امکان سنجش میزان نیروی وارده به یک جسم حاصل می‌شود. مکانیزم مورد بحث تک جنس و با سرعت بالایی قابل ساخت است (البته واقعا اینطور نیست! آخر مطلب متوجه خواهید شد). از این کار می‌توان ورودی‌های تعاملی یک سیستم را طراحی کرد. برای مثال می‌توان یک جوی استیک یا کلید ورودی یک سیستم را متناسب با نیاز ساخت.
در این طرح الکترودها با فرامواد (موادی ساخته شده از شبکه تکراری از سلول‌ها) یکپارچه می‌شوند. ایده این است که تغییر شکل مکانیزم (در اثر اعمال نیروی خارجی) منجر به کشش یا فشردگی سلول‌های انعطاف پذیر داخلی می‌شود. هر سلول دارای دو دیواره رسانا (همان الکترود) و دو دیواره غیر رسانا است. با تغییر شکل کلی مکانیزم، طول دیواره‌های رسانا هم تغییر می‌کند و با استفاده از اندازه‌گیری اثر خازنی دو صفحه رسانا روبروی هم در هر سلول (و البته کل مکانیزم) می‌توان مقدار نیروی وارد شده به مکانیزم و جهت آن را اندازه‌گیری کرد. البته در این صورت اندازه‌گیری شتاب و دوران هم ممکن می‌شود.
برای نشان دادن (اثبات کردن) کارکرد این مکانیزم، محققان یک جوی استیک فراماده ساخته‌اند که چهار سلول با ساختار مورد بحث در چهار جهت در آن قرار داده‌اند. در این فیلم تمام تست‌های آن را می‌توانید مشاهده کنید.
تیم پژوهشگر اقدام به توسعه یک نرم‌افزار ویرایش سه بعدی به نام MetaSence کرده‌اند که در آن جا نمایی سلول‌های برشی رسانا بصورت خودکار و البته بهینه انجام می‌شود (خود کاربر هم می‌تواند دستی این کار را انجام دهد). این ابزار قابلیت شبیه‌سازی برای طراحی مکانیزم تغییر شکل و محاسبات مربوط به آن را دارد. سلول‌هایی که بیشترین تغییر شکل را دارند، تنها بصورت خازنی ایجاد می‌شوند و سلول‌های دیگر معمولی خواهند بود.
ساخت چنین سنسوری آنقدر هم ساده نیست که تیم توسعه دهنده می‌گوید. همزمان دو نازل (یکی برای تزریق ماده غیر رسانا و یکی برای تزریق ماده رسانا در دو دیواره از چهار دیواره سلول‌های اصلی مکانیزم) باید کار کنند که با توجه به تفاوت‌های خواصی مادی در دو نازل قلق‌های خاص خود را می‌طلبد.
اگرچه فعلا در حد تحقیق هست چنین سنسوری، اما می‌تواند در آینده گزینه تجاری خوبی برای حسگرهای ربات‌ها باشد. خصوصا در نرم‌رباتیک که کلا استفاده از سنسور سخت مثل Load Cell برای سنجش نیرو مشکل است.
—————
@roboticknowledge
سنسور نیرو/تغییر شکل بر اساس تغییر شکل مکانیزم‌های انعطاف پذیر
پژوهشگران MIT موفق به اضافه کردن قابلیت حس کردن به ماده یک جسم شده‌اند که در تکنولوژی‌های رباتیک بسیار کاربردی است. دیگر می‌توان به چیزی به غیر از Load Cell هم برای اندازه‌گیری نیرو فکر کرد!
آنها روش جدیدی توسعه داده‌اند که در آن با چاپ سه بعدی مکانیزم‌های تشخیصی امکان سنجش میزان نیروی وارده به یک جسم حاصل می‌شود. مکانیزم مورد بحث تک جنس و با سرعت بالایی قابل ساخت است (البته واقعا اینطور نیست! آخر مطلب متوجه خواهید شد). از این کار می‌توان ورودی‌های تعاملی یک سیستم را طراحی کرد. برای مثال می‌توان یک جوی استیک یا کلید ورودی یک سیستم را متناسب با نیاز ساخت.
در این طرح الکترودها با فرامواد (موادی ساخته شده از شبکه تکراری از سلول‌ها) یکپارچه می‌شوند. ایده این است که تغییر شکل مکانیزم (در اثر اعمال نیروی خارجی) منجر به کشش یا فشردگی سلول‌های انعطاف پذیر داخلی می‌شود. هر سلول دارای دو دیواره رسانا (همان الکترود) و دو دیواره غیر رسانا است. با تغییر شکل کلی مکانیزم، طول دیواره‌های رسانا هم تغییر می‌کند و با استفاده از اندازه‌گیری اثر خازنی دو صفحه رسانا روبروی هم در هر سلول (و البته کل مکانیزم) می‌توان مقدار نیروی وارد شده به مکانیزم و جهت آن را اندازه‌گیری کرد. البته در این صورت اندازه‌گیری شتاب و دوران هم ممکن می‌شود.
برای نشان دادن (اثبات کردن) کارکرد این مکانیزم، محققان یک جوی استیک فراماده ساخته‌اند که چهار سلول با ساختار مورد بحث در چهار جهت در آن قرار داده‌اند. در این فیلم تمام تست‌های آن را می‌توانید مشاهده کنید.
تیم پژوهشگر اقدام به توسعه یک نرم‌افزار ویرایش سه بعدی به نام MetaSence کرده‌اند که در آن جا نمایی سلول‌های برشی رسانا بصورت خودکار و البته بهینه انجام می‌شود (خود کاربر هم می‌تواند دستی این کار را انجام دهد). این ابزار قابلیت شبیه‌سازی برای طراحی مکانیزم تغییر شکل و محاسبات مربوط به آن را دارد. سلول‌هایی که بیشترین تغییر شکل را دارند، تنها بصورت خازنی ایجاد می‌شوند و سلول‌های دیگر معمولی خواهند بود.
ساخت چنین سنسوری آنقدر هم ساده نیست که تیم توسعه دهنده می‌گوید. همزمان دو نازل (یکی برای تزریق ماده غیر رسانا و یکی برای تزریق ماده رسانا در دو دیواره از چهار دیواره سلول‌های اصلی مکانیزم) باید کار کنند که با توجه به تفاوت‌های خواصی مادی در دو نازل قلق‌های خاص خود را می‌طلبد.
اگرچه فعلا در حد تحقیق هست چنین سنسوری، اما می‌تواند در آینده گزینه تجاری خوبی برای حسگرهای ربات‌ها باشد. خصوصا در نرم‌رباتیک که کلا استفاده از سنسور سخت مثل Load Cell برای سنجش نیرو مشکل است.
—————
@roboticknowledge
Telegram
Robotic Knowledge
فیلم: چند تست در طراحی‌های ساختاری مختلف از مکانیزم مخصوص اندازه‌گیری نیرو/تغییر شکل محققان MIT.
This media is not supported in your browser
VIEW IN TELEGRAM
فیلم: چند تست در طراحی‌های ساختاری مختلف از مکانیزم مخصوص اندازه‌گیری نیرو/تغییر شکل مبتنی بر رفتار خازنی توسط محققان MIT.