Vores hænder er som en bro mellem hjernens intentioner og den fysiske verden, der udfører vores ønsker ved at lade os omsætte tanker til handlinger. Hvis robotter virkelig skal leve op til deres potentiale, når det kommer til interaktion, er det afgørende, at de derfor har et lignende instrument til deres rådighed.
Vi ved, at robotister bygger nogle allerede forbavsende indviklede robothænder. Men de har også brug for klogskaben til at kontrollere dem - at være i stand til at gribe genstande korrekt både i henhold til deres form og deres hårdhed eller blødhed. Du ønsker ikke, at din fremtidige robotkollega skal knuse din hånd til blodig grød, når den giver dig hånd på sin første dag på kontoret.
Anbefalede videoer
Det er heldigvis, hvad forskere fra Tyskland har arbejdet på med en nyt, mere hjerne-inspireret neuralt netværk der kan tillade en robothånd (i dette tilfælde en eksisterende model kaldet a Schunk SVH 5-finger hånd) for at lære at opfange genstande med forskellige former og hårdhedsniveauer ved at vælge den korrekte gribebevægelse. I en proof-of-concept demonstration var robothånden i stand til at opfange en usædvanlig række genstande, bl.a. - men ikke begrænset til - en plastikflaske, tennisbold, svamp, gummiand, kuglepen og et udvalg af balloner.
"Vores tilgang har to hovedkomponenter: modelleringen af håndens bevægelse og den kompatible kontrol," Juan Camilo Vasquez Tieck, fortalte en forsker ved FZI Forschungszentrum Informatik i Karlsruhe, Tyskland, til Digital Trends. ”Hånden er modelleret i et hierarki af forskellige lag, og bevægelsen er repræsenteret med bevægelsesprimitiver. Alle leddene på en finger er koordineret af en finger-primitiv. For en bestemt gribebevægelse er alle fingrene koordineret af en hånd-primitiv."
Med andre ord, forklarede han, kan den lukke hånden på forskellige måder.
Systemet repræsenterer en anderledes måde at udvikle robotsystemer til at udføre denne slags handlinger. Det involverede neurale netværk gør det muligt for hånden at gribe mere intelligent og foretager realtidstilpasninger, hvor det er nødvendigt.
“Spikende neurale netværk (SNN) er en særlig slags kunstige neurale netværk, der modellerer tættere på den måde, rigtige neuroner fungerer på,” fortsatte Tieck. "Der er mange neuronmodeller baseret på neurovidenskabelig forskning. Til dette arbejde brugte vi utætte integrere og brand (LIF) neuroner. Kommunikationen mellem neuroner er begivenhedsbaseret ved hjælp af pigge. Pigge er diskrete impulser og ikke et kontinuerligt signal. Dette … reducerer mængden af information, der sendes mellem neuroner og giver stor energieffektivitet."
Et papir, der beskriver arbejdet var for nylig offentliggjort i tidsskriftet IEEE Robotics and Automation Letters.
Redaktørens anbefalinger
- Sikkerhedsrobotter kommer muligvis til en skole i nærheden af dig
- The BigSleep A.I. er ligesom Google Billedsøgning efter billeder, der ikke eksisterer endnu
- En Star Trek-fan deepfakede data fra næste generation i den nye Picard-serie
- Verdens mest avancerede robothånd nærmer sig behændighed på menneskeligt niveau
- A.I. mislykkes, da robot-tv-kamera følger skaldet hoved i stedet for fodbold
Opgrader din livsstilDigital Trends hjælper læserne med at holde styr på den hurtige teknologiske verden med alle de seneste nyheder, sjove produktanmeldelser, indsigtsfulde redaktionelle artikler og enestående smugkig.
