Самодельная платформа позволила сыграть микробами в футбол и Pac-Man
Американские ученые разработали платформу для интерактивной микроскопии, которая позволяет наблюдать за живыми микроорганизмами и с помощью смартфона и джойстика управлять ими в игровой среде. Результаты работы опубликованы в журнале PLOS One.
Многие дисциплины, такие как инженерия, программирование и другие, широко используют интерактивный игровой подход для обучения. Хотя микроскоп изобретен сотни лет назад, микробиология (как и другие разделы биологии) такими возможностями до сих пор не располагала.
Чтобы сделать учебный процесс более занимательным, сотрудники Стэнфордского университета создали простую и недорогую платформу для интерактивной микроскопии, названную LudusScope. Она состоит из распечатанных на 3D-принтере держателей, на которых закреплены микрожидкостное устройство, светодиоды подсветки и управления, линза, объектив, регулятор фокусировки, электронный блок с джойстиком и смартфон.
В качестве демонстрационного микроорганизма ученые выбрали подвижное фотосинтезирующее одноклеточное простейшее эвглену изящную (Euglena gracilis), которая широко используется как модельный организм. Она способна воспринимать свет и двигаться в его направлении. Эвглен помещают в квадратное микрожидкостное устройство, которое помимо базовой подсветки имеет по одному светодиоду на каждой стороне. Джойстик управляет включением этих светодиодов, направляя движение простейших.
На микрожидкостное устройство направлен микроскоп, объектив которого совмещен с камерой смартфона, закрепленного наверху устройства. Специальное приложение позволяет наблюдать за перемещением эвглен на экране, помечать отдельных из них, измерять их скорость в реальном времени, и, управляя движением микроорганизмов с помощью джойстика, играть ими в различные игры, например, в импровизированный футбол, аналог Pac-Man и другие.
Как пишут разработчики, руководствуясь инструкцией, LudusScope можно легко изготовить при наличии 3D-принтера, смартфона и небольшого набора недорогих деталей — с этой задачей могут справиться даже 12-летние школьники при минимальном участии педагога. При этом создание и использование платформы дает в доступной игровой форме навыки сразу в пяти областях: работе с материалами и конструировании, оптике, электронике, микрофлюидике и микробиологии. Устройство можно подвергать различным модификациям, к нему подключаются микроконтроллер Arduino и модуль Bluetooth.
Когда сборку и работу LudusScope продемонстрировали восьми учителям и десяти старшеклассникам, подавляющее большинство из них признали ее полезной для обучения. Ученые продолжают совершенствовать платформу.
Импровизированные игры с микроорганизмами созданы не только для школьников, но и для вполне серьезных ученых. Так, норвежские исследователи создали Pac-Man с инфузориями и коловратками, а международная группа биологов провела соревнования по хемотаксису среди генетически модифицированных клеток.
Олег Лищук
Он показал лучшее время на трассе, обойдя соперников на полсекунды
Инженеры разработали автопилот для гоночного дрона, управляющий беспилотником на уровне лучших людей-пилотов. Алгоритм под названием Swift, полученный с помощью метода обучения с подкреплением, способен управлять гоночным квадрокоптером, полагаясь только на данные бортовых сенсоров. В реальных полетах на тестовой трассе для дрон-рейсинга Swift смог превзойти трех профессиональных пилотов-чемпионов, выиграв у них 15 гонок из 25 и пройдя трассу с минимальным временем, которое на полсекунды меньше лучшего результата пилота-человека. Статья опубликована в журнале Nature. При поддержке Angie — первого российского веб-сервера Дрон-рейсинг — вид спорта, в котором мультикоптеры на высокой скорости проходят трассу, состоящую из последовательности ворот, через которые нужно пролететь за минимально возможное время. При этом управление происходит от первого лица, с помощью камеры и видеоочков. Современные дроны обладают очень высокой маневренностью и подвижностью: они могут резко менять направление движения, ускоряться, замедляться и совершать перевороты, а во время гонки они разгоняются до скоростей свыше 100 километров в час и подвержены перегрузкам, превышающим их собственный вес в пять раз. Это делает их пилотирование непростой задачей и требует хорошей подготовки и высокой скорости реакции оператора. Инженеры давно работают над созданием автопилота, который мог бы управлять дроном на уровне профессиональных пилотов. Помимо участия в дрон-рейсинге такая способность может пригодиться и в обычной жизни — мультикоптеры обладают невысокой энергоэффективностью, поэтому способность быстро летать и успешно маневрировать в окружении большого числа препятствий напрямую связана с успешностью выполнения задач. Инженеры под руководством Давида Скарамузза (Davide Scaramuzza) из Цюрихского университета уже имеют опыт разработки эффективных алгоритмов управления для дронов. К примеру, ранее они создали автопилот, способный управлять квадрокоптером на скорости от 3 до 7 метров в секунду в лесу между деревьев, полагаясь только на данные с бортовых сенсоров. В своей новой работе инженеры представили алгоритм под названием Swift. Он способен эффективно управлять гоночным квадрокоптером на уровне профессионального пилота дрон-рейсинга. Swift состоит из двух основных модулей: системы восприятия, которая переводит изображение от бортовой камеры дрона и данные от инерционного измерительного блока IMU в низкоразмерное представление, а также системы управления, которая принимает на вход низкоразмерное представление, созданное системой восприятия, и генерирует управляющие команды для электромоторов дрона. В модуль системы восприятия также входит алгоритм, вычисляющий текущее положение дрона в пространстве на основе данных камеры и инерционно-измерительного блока. Эта информация через фильтр Калмана объединяется с данными об относительном положении гоночных ворот, обнаруженных предварительно обученным нейросетевым детектором объектов в видеопотоке, после чего передается на вход системы управления, которая состоит из двух скрытых слоев, по 128 нейронов в каждом. Система управления тренировалась в симуляции с использованием модельно-свободного глубокого обучения с подкреплением. Этот метод обучения использует метод проб и ошибок, чтобы максимизировать величину параметра вознаграждения. В данном случае вознаграждение было максимальным в случае, если дрон следовал в сторону центра ближайших ворот таким образом, чтобы следующие ворота оставались в поле зрения камеры. Чтобы учесть различия между симуляцией и реальной динамикой полета, в процессе обучения информацию симулятора дополнили данными из реального мира, записанными с помощью системы захвата движений. Оценку автопилота провели на трассе для дрон-рейсинга, состоящей из семи ворот, установленных на квадратной площадке с длиной стороны 30 метров. Длина маршрута через все ворота составляла 75 метров. Алгоритм соревновался с тремя профессиональными пилотами Алексом Вановером (Alex Vanover), Томасом Битматтой (Thomas Bitmatta) и Марвином Шэппером (Marvin Schaepper). Все участники использовали гоночные дроны с одинаковыми характеристиками. Перед испытательными соревнованиями у пилотов была неделя для знакомства с трассой. В соревнованиях каждый из пилотов стартовал одновременно с дроном под управлением автопилота. Победителем становился тот, кто быстрее пролетит через все ворота на трассе в правильном порядке три раза. По результатам Swift смог выиграть у своих соперников в совокупности 15 гонок из 25, а также установил рекорд трассы, пролетев ее быстрее на полсекунды, чем остальные участники. https://www.youtube.com/watch?v=fBiataDpGIo&t=1s Инженеры разрабатывают гоночные автопилоты и для автомобилей. Например, инженеры из подразделения искусственного интеллекта компании Sony создали алгоритм автопилота GT Sophy, который с помощью обучения с подкреплением научился проходить за минимальное время трассы в гоночном автосимуляторе Gran Turismo Sport. В настоящих киберспортивных соревнованиях GT Sophy не только показала лучшее время в одиночных заездах, но и смогла победить команду лучших игроков в совместных гонках, набрав больше всего очков.