KI nutzen, um fortschrittliche Soft Robots zu entwickeln

Weiche Maschinen – eine Unterkategorie der Robotik, die verformbare Materialien statt starrer Glieder verwendet – sind eine aufstrebende Technologie, die häufig in tragbarer Robotik und Biomimetik (z. B. Prothesen) eingesetzt wird. Weiche Roboter bieten bemerkenswerte Flexibilität, herausragende Anpassungsfähigkeit und gleichmäßig verteilte Kraft, was sicherere Mensch-Maschine-Interaktionen als herkömmliche harte und steife Roboter ermöglicht.

Eine wesentliche Komponente weicher Maschinen ist der hochpräzise Dehnungssensor, um die Dehnungsänderungen jeder weichen Körpereinheit zu überwachen und einen hochpräzisen Regelkreis zu erreichen. Erstens erfordern die komplexen Bewegungen weicher Maschinen, dass die Dehnungssensoren einen weiten Dehnungsbereich von <5% bis >200% überwachen, was die Fähigkeiten herkömmlicher Dehnungssensoren übersteigt. Zweitens erfordert die Überwachung der koordinierten Bewegungen einer weichen Maschine mehrere Dehnungssensoren, um unterschiedliche Sensoraufgaben für separate Roboter-Einheiten zu erfüllen, was mühsame Trial-and-Error-Tests erfordert.

Um dieses Problem zu lösen, hat ein Forschungsteam der University of Maryland (UMD) unter der Leitung von Po-Yen Chen, Professor für Chemie- und Biomolekularengineering, ein Machine-Learning (ML) Framework entwickelt, um die Konstruktion eines Vorhersagemodells zu erleichtern, das für zwei Designaufgaben genutzt werden kann: (1) Sensorleistung basierend auf einem Fertigungsrezept vorhersagen und (2) machbare Fertigungsrezepte für adäquate Dehnungssensoren empfehlen.

„Um eine Lebensmittel-Analogie zu verwenden: Wir gaben einem ‚Koch‘ eine Zutatenliste, und dieser Koch ist in der Lage, das perfekte Gericht basierend auf den individuellen Geschmäckern des Kunden zu entwerfen“, sagte Chen.

Diese Technologie kann in den Bereichen fortschrittliche Fertigung, Unterwasser-Roboter-Design, Prothesen-Design und darüber hinaus eingesetzt werden.