生物启发的补偿策略,用于损坏挥舞着的机器人推进器
M L Hooper1, I Scherl2, M Gharib1
1Graduate Aerospace Laboratories, Division of Engineering and Applied Science, California Institute of Technology , Pasadena, CA, USA.
Journal of the Royal Society, Interface
|July 2, 2024
概括
机器人动推进器可以通过调整运动来自主修复损坏,但最佳策略与自然游泳者不同. 机器学习确定了机器人系统的独特调整,以保持推力和侧面力.
科学领域:
- 机器人技术 机器人技术 机器人技术
- 生物启发工程 生物启发工程
- 机器学习 机器学习
背景情况:
- 自然游泳者和飞行者对推进器损伤表现出了显著的弹性,改变机械来维持功能.
- 由于不同的进化压力,直接将生物损伤恢复策略应用于机器人系统可能是不理想的.
研究的目的:
- 通过机器学习研究机器人飞推进器的最佳自主维修策略.
- 为了比较机器人系统中的损害恢复适应与自然生物体中观察到的适应.
主要方法:
- 实施了在线人工进化系统,并进行了硬件循环测试.
- 使用一个柔性板作为机器人动推进器.
- 采用机器学习来比较生物和机器人损害恢复适应.
主要成果:
- 对于推力恢复,学习的机器人策略显著增加了振幅,频率和攻击角度 (AOA),包括相位转移AOA~110°.
- 侧重力恢复与AOA相关,机器人系统中没有明确的振幅或频率趋势.
- 观察到的机器人适应不同于通常在鱼类和昆虫文献中报告的损害恢复的适应.
结论:
- 最佳的机械飞推进器适应损坏修复可能与自然生物策略不一致.
- 机器学习可以识别机器人系统的独特,高效的修复机制.
- 这项研究推进了生物灵感的机器人和能够自我修复的自主系统.
更多相关视频
08:01Compensatory Limb Use and Behavioral Assessment of Motor Skill Learning Following Sensorimotor Cortex Injury in a Mouse Model of Ischemic Stroke
Published on: July 10, 2014
11.4K
03:55Author Spotlight: Enhancing Grasping Abilities for Hemiplegic Patients with Flexible Robotic Limbs
Published on: October 27, 2023
2.1K
