#ربات_های_الهام_گرفته_شده_از_طبیعت
مطالعه جریان‌های گردابی اقیانوسی توسط ربات پنگوئن مانند!

برای مطالعه جریان‌های گردابی ناشناخته در اقیانوس‌ها اقدام به توسعه یک ربات زیرآبی خودمختار (Autonomous Underwater Vehicle) شده است که هندسه آن از بدن پنگوئن الهام گرفته شده است. این ربات طی همکاری اقیانوس شناسان با یک شرکت bionic به نام EvoLogics ایجاد شده است.

جریان‌های اقیانوسی برخی اوقات حلقه‌های کوچک موقت ایجاد می‌کننند که به گردابه یا ocean eddies معروف هستند. این گردابه‌ها در اکوسیستم دریایی با جابجایی حرارت، مواد مرتبط با تغذیه جانداران و گازهای‌های بین آب‌های سطحی و عمقی ایفای نقش مهمی انجام می‌کنند. حداقل دانشمندان این چنین فکر می‌کنند در حال حاضر!

مشکل و چالش اساسی مطالعه این جریان گردابی در عرض کم آنها و ناپدید شدن آنها تنها بعد از چند ساعت از تشکیل شدن آنهاست. اگر هم محققان خیلی خوش شانس باشند و در زمان مناسب در مکان مناسب جریان گردابی برسند، آنها راه مناسبی برای جمع آوری داده از این جریان ناشناخته ندارند. اقیانوس شناسان از روش‌هایی مثل بستن تجهیزات داده‌برداری به قایق با طناب و کشیدن آن به مکان مناسب استفاده می‌کنند که البته خیلی راحت امکان از دست رفتن چند هزار دلار تجهیزات در اثر برخورد به موانع طبیعی و مصنوعی و ... وجود دارد! پس به فکر توسعه یک ربات برای انجام اندازه‌گیری‌ها از دل جریان گردابی افتادند.

این AUV پنگوئنی Quadroin نام دارد. این نام ترکیب quadro به سبب وجود چهار پیشران در دم ربات و penguin که هندسه ربات از آن الهام گرفته شده است، می‌باشد. خطوط جریان اطراف هندسه پنگوئن از نظر مشخصات بهینه می‌باشد که در نیروی مقاوم درگ و کاهش آن تقش مهمی دارد:

“Penguins provide a shape with optimal streamlining characteristics,” EvoLogics co-founder Rudolf Bannasch said.

ربات پنگوئنی Quadroin سنسورهای دما، شوری،‌ سطح اکسیژن و ... برای مطالعه جریان گردابی اقیانوسی دارد. سرعت بیشینه آن برابر 18.52 کیلومتر بر ساعت و عمق حرکت آن تا 152.4 متر است. قیمت این ربات در حدود 95000$ است! به نظر به دنبال دسته کردن این ربات‌ها برای داده برداری دقیق نیز هستند. اگر الکترونیک ربات دچار مشکل شود، بصورت خودکار شناور می‌شود و چیزی از دست نمی‌رود؛ طراحی این ربات منجر به این اتفاق می‌شود.

دوام کاری ربات بین 6-8 ساعت است. اگر بحث بهینه بودن هندسه ربات از نظر خطوط جریان در میان نبود، قطعا این مداوت کاری پایین‌تر بود.

—————
@roboticknowledge

فیلم: ربات Quadroin.

تصویر: Quadroin در دستان یک اقیانوس شناس - تصویر از گاردین.

#هوش_مصنوعی
یادگیری مسائل مختلف توسط یک ربات: تحکیم وزن الاستیک در آموزش شبکه عصبی
قسمت اول

ما روزانه با چندین الگوریتم هوش مصنوعی سر و کار داریم. برای مثال می‌توان به سیستم‌های پیشنهاد محتوا در وب اپ‌ها یا سرویس زیرنویس هوشمند یوتوب اشاره کرد؛ اگرچه تعداد مثال‌ها خیلی بیشتر است!
یکی از مسائلی که در کاربرد هوش مصنوعی در رباتیک بصورت چالش است، یادگیری چندین کار متفاوت توسط ربات است. برای مثال یک شبکه عصبی را در نظر بگیرید که برای تشخیص سگ/گربه آموزش دیده است. این شبکه اگر قرار باشد که تشخیص خودرو/اتبوس را یاد بگیرد، در صورت عدم استفاده از استراتژی یادگیری چندگانه قطعا کارایی خود را در فرآیند تشخیصی اول از دست می‌دهد.
به عنوان یک استراتژی یادگیری چندگانه محققان DeepMind روش elastic weight consolidation یا تحکیم وزن الاستیک را پیشنهاد داده‌اند. در این روش وزن‌های مهم شبکه عصبی در مساله یادگیری اول دستخوش تغییر خیلی کم در مساله یادگیری دوم می‌شوند. به عبارتی امکان تغییر خیلی کم دارند و در یادگیری مسائل جدید تنها اتصالات بدون استفاده امکان استفاده برای آموزش دارند.
این روش به عنوان یک پایه در توسعه روش‌های جدید مطرح شده است زیرا مشکلات فراوانی دارد که مهم‌ترین آن غیر مقیاس پذیر بودن هوش مصنوعی سیستم است و تنها مسائل محدودی را می‌توان یاد گرفت.

—————
@roboticknowledge

تصویر: روش تحکیم وزن الاستیک یک شبکه عصبی برای یادگیری چند مساله. در مساله دوم اتصالات بنفش مهم هستند که توسط مساله اول استفاده شده‌اند و scalable نبودن روش مورد بحث را می‌توان درک کرد.

توضیح: اتصالات نارنجی در یادگیری مساله اول با اهمیت هستند و در مسائل بعدی نمی‌توانند استفاده گردند. در مساله دوم اتصالات آبی رنگ باید لحاظ شوند؛ دو اتصال نیز به رنگ بنفش هستند به این معنی که باید آبی می‌شدند اما توسط مساله اول مورد استفاده قرار گرفته‌اند و دیگر به آن‌ها دسترسی وجود ندارد که همین مساله قابلیت‌های شبکه عصبی در پاسخ مساله دوم را کاهش می‌دهد. در همین تصویر مشکل مقیاس پذیری با چشم دیده می‌شود؛ تنها چند مساله محدود می‌توان یاد گرفت.
—————
@roboticknowledge

تصویر: پوستر چالش SubT که امسال توسط DARPA برگزار شد.

تصویر: طرح مفهومی تیم CERBERUS که برنده نهایی چالش SubT شد. ربات پرنده در ابتدا بصورت محدود مسیرهای ممکن را بررسی می‌کند و بهترین سناریو برای Planning را برای پیشنهاد به ربات چهارپا طراحی می‌کند.

#حرکت_ترکیبی
ربات دوپای پرنده LEO

طی چند سال گذشته محققان موسسه تکنولوژی کالیفرنیا در حال کار بر روی یک ربات پایه متحرک جدید بوده و هستند که قابلیت جالبی در ارائه حرکت ترکیبی (Hybrid Motion) دارد [1]. ربات LEO یا بصورت کاملتر LEONARDO که مخفف LEgs ONboARD drOne شده است، یک ربات دوپا است که در تنه خود دارای چهار عملگر با ملخ است. این عملگرها هم تعادل را در حین اجرای مانور راه رفتن دینامیکی برقرار می‌کنند و هم امکان پرواز به ربات می‌دهند؛ پس ربات هم می‌تواند راه برود و هم می‌تواند پرواز کند!

در این تصویر ساختار LEO را می‌بینید. هر پا دارای 3 درجه آزادی است که حرکات Extension و Swing را در صفحه Sagittal و حرکت Abduction/Adduction را در صفحه Frontal به پای ربات می‌دهند. با در نظر گرفتن عملگرهای پروازی/تعادلی این ربات یک ربات 10 درجه آزادی است. یک نکته جالب در طراحی مچ ربات است که امکان تعادل استاتیکی را بدون بکارگیری عملگرها به آن می‌دهد.

کار آنها قرار نیست متوقف شود و یک رندر از نسخه بعدی LEO نیز منتشر کرده‌اند (تصویر). این پلتفرم برای عبور از موانع ایده جالبی ارائه می‌کند که احتمالا مشکل مصرف انرژی بالا دارد که باید روی آن کار شود. دو فیلم از عملکرد ربات نیز ارائه می‌شود (فیلم اول و فیلم دوم).

—————
@roboticknowledge

تصویر: ربات دوپای پرنده LEO.

تصویر: رندر نسخه بعدی ربات LEO.

فیلم: اجرای مانور عبور (پرواز) از روی موانع توسط LEO.

فیلم: اجرای مانور پرش پروازی (اسم خودساخته!) توسط LEO.

#هوش_مصنوعی
هدایت پهپاد با سرعت بالا در محیط ناشناخته توسط شبکه عصبی از پیش آموزش داده شده

هدایت پهپاد یک فرآیند پیچیده است. در سیستم‌های هدایت توسط انسان، برای حرکت پهپاد در یک محیط پیچیده مانند جنگل نیاز به مهارت بالای خلبان دارد. سیستم‌های هدایت مبتنی بر AI نیز بصورت دو مرحله‌ای (شناخت و مپینگ محیط و ایجاد ترجکتوری در آن) عمل می‌کنند که باعث می‌شود بسیار محدود باشند و امکان ارائه مانورهای سرعتی نداشته باشند.

جدیدا محققان دانشگاه زوریخ یک طرح ساده ارائه کرده‌اند که امکان هدایت پهپاد توسط هوش مصنوعی on-board و با سرعت بالا در محیط‌های کاملا ناشناخته را ایجاد می‌کند [1]. در طرح آنها شبکه عصبی اصلی که وظیفه ایجاد ترجکتوری در محیط ناشناخته را دارد، در ابتدا در یک محیط شبیه ساز آموزش داده می‌شود؛ برای آموزش از داده‌های پروازی و آنچه توسط سنسورهای ویژن در شبیه ساز از محیط بدست می‌آید، استفاده می‌شود.

شبکه عصبی آموزش داده شده بر روی پهپاد فیزیکی بصورت پیش آموزش داده شده قرار می‌گیرد و در محیط واقعی با هزینه محاسباتی بسیار پایین کامل‌تر می‌شود. در این روش اجرای مانور حرکتی بصورت تک مرحله (با حذف مرحله نقشه برداری از محیط) با سرعت بالا توسط AI انجام می‌شود؛ پیدا کردن مسیر بهینه از میان موانع در محیط جدید قبلا در شبیه ساز آموخته شده است!

این روش ساده بر روی تمام سیستم‌های خودران قابل اجرا است؛ با این روش یک پهپاد بصورت کاملا خودمختار با سرعت 40 کیلومتر بر ساعت در جنگل کاملا ناشناخته پرواز بدون تصادف داشته است!

—————
@roboticknowledge