Onze handen zijn als een brug tussen de intenties van de hersenen en de fysieke wereld, en voeren onze wensen uit door ons gedachten in daden om te zetten. Als robots hun potentieel op het gebied van interactie echt willen waarmaken, is het van cruciaal belang dat ze een soortgelijk instrument tot hun beschikking hebben.
We weten dat robotici er enkele aan het bouwen zijn al verbazingwekkend ingewikkelde robothanden. Maar ze hebben ook de slimheid nodig om ze te beheersen – in staat zijn om objecten goed vast te pakken, zowel op basis van hun vorm als hun hardheid of zachtheid. Je wilt niet dat je toekomstige robotcollega je hand tot bloederige pap verplettert als hij je de hand schudt op de eerste dag op kantoor.
Aanbevolen video's
Gelukkig is dit waar onderzoekers uit Duitsland aan hebben gewerkt met a nieuw, meer op de hersenen geïnspireerd neuraal netwerk waarmee een robothand mogelijk is (in dit geval een bestaand model genaamd a Schunk SVH 5-vingerhand) om te leren hoe u voorwerpen met verschillende vormen en hardheidsniveaus kunt oppakken door de juiste grijpbeweging te selecteren. Tijdens een proof-of-concept-demonstratie kon de robothand een ongebruikelijke reeks objecten oppakken, waaronder – maar niet beperkt tot – een plastic fles, tennisbal, spons, badeend, pen en een assortiment ballonnen.
“Onze aanpak bestaat uit twee hoofdcomponenten: het modelleren van de beweging van de hand en de soepele controle.” Juan Camilo Vasquez Tieck, vertelde een onderzoeker bij FZI Forschungszentrum Informatik in Karlsruhe, Duitsland, aan Digital Trends. “De hand wordt gemodelleerd in een hiërarchie van verschillende lagen, en de beweging wordt weergegeven met bewegingsprimitieven. Alle gewrichten van één vinger worden gecoördineerd door een vingerprimitief. Voor één bepaalde grijpbeweging worden alle vingers gecoördineerd door een handprimitief.”
Met andere woorden, legde hij uit, kan het zijn hand op verschillende manieren sluiten.
Het systeem vertegenwoordigt een andere manier om robotsystemen te ontwikkelen voor het uitvoeren van dit soort acties. Het betrokken neurale netwerk zorgt ervoor dat de hand intelligenter kan grijpen en waar nodig realtime aanpassingen kan maken.
“Spiking neurale netwerken (SNN) zijn een speciaal soort kunstmatige neurale netwerken die een beter model vormen van de manier waarop echte neuronen werken”, vervolgde Tieck. “Er zijn veel ‘spiking neuron’-modellen gebaseerd op neurowetenschappelijk onderzoek. Voor dit werk hebben we lekkende integratie- en vuurneuronen (LIF) gebruikt. De communicatie tussen neuronen is op gebeurtenissen gebaseerd en maakt gebruik van pieken. Spikes zijn discrete impulsen en geen continu signaal. Dit … vermindert de hoeveelheid informatie die tussen neuronen wordt verzonden en zorgt voor een grote energie-efficiëntie.”
Er was een document waarin het werk werd beschreven onlangs gepubliceerd in het tijdschrift IEEE Robotics and Automation Letters.
Aanbevelingen van de redactie
- Beveiligingsrobots kunnen naar een school bij u in de buurt komen
- De BigSleep AI is als Google Image Search voor afbeeldingen die nog niet bestaan
- Een Star Trek-fan heeft data uit het Next Generation-tijdperk deepfaked in de nieuwe Picard-serie
- De meest geavanceerde robothand ter wereld nadert de behendigheid op menselijk niveau
- AI mislukt omdat de tv-camera van de robot een kaal hoofd volgt in plaats van een voetbal
Upgrade uw levensstijlMet Digital Trends kunnen lezers de snelle technische wereld in de gaten houden met het laatste nieuws, leuke productrecensies, inzichtelijke redactionele artikelen en unieke sneak peeks.
