Maschinenintelligenz zum Bau von Soft Machines

Weiche Maschinen – eine Unterkategorie der Robotik, die verformbare Materialien anstelle von starren Verbindungen verwendet – sind eine aufstrebende Technologie, die häufig in der tragbaren Robotik und Biomimetik (z. B. Prothesen) verwendet wird. Weiche Roboter bieten eine bemerkenswerte Flexibilität, hervorragende Anpassungsfähigkeit und gleichmäßig verteilte Kräfte, wodurch eine sicherere Mensch-Maschine-Interaktion ermöglicht wird als herkömmliche harte und steife Roboter.

Ein wesentlicher Bestandteil von Weichmaschinen ist der hochpräzise Dehnungssensor, um die Dehnungsänderungen jeder Weichkörpereinheit zu überwachen und einen hochpräzisen Regelkreis zu erreichen. Erstens erfordern die komplexen Bewegungen weicher Maschinen, dass die Dehnungssensoren einen breiten Dehnungsbereich von <5 % bis>200 % überwachen, was die Fähigkeiten herkömmlicher Dehnungssensoren übersteigt. Zweitens sind zur Überwachung der koordinierten Bewegungen einer weichen Maschine mehrere Dehnungssensoren erforderlich, um unterschiedliche Erfassungsaufgaben für separate Robotereinheiten zu erfüllen, was langwierige Trial-and-Error-Tests erfordert.

Um dieses Problem anzugehen, hat ein Forschungsteam der University of Maryland (UMD) unter der Leitung von Po-Yen Chen, Professor für chemische und biomolekulare Technik, ein Framework für maschinelles Lernen (ML) entwickelt, um die Konstruktion eines Vorhersagemodells zu erleichtern, das verwendet werden kann für zwei Entwurfsaufgaben:(1) Vorhersage der Sensorleistung basierend auf einem Herstellungsrezept und (2) Empfehlung praktikabler Herstellungsrezepte für adäquate Dehnungssensoren.

„Um eine Lebensmittelanalogie zu verwenden, wir haben einem ‚Koch‘ eine Liste mit Zutaten gegeben, und dieser Küchenchef ist in der Lage, das perfekte Essen basierend auf dem individuellen Geschmack des Kunden zu entwerfen“, sagte Chen.

Diese Technologie kann in den Bereichen fortschrittliche Fertigung, Unterwasserroboterdesign, Prothesendesign und darüber hinaus eingesetzt werden.