Созданию биороботов с живыми мышцами научат всех желающих
Ученые из Иллинойсского университета в Урбане-Шампейне опубликовали протокол создания микроскопических биороботов, которые движутся за счет сокращений модифицированных мышечных клеток, реагирующих на внешние воздействия: свет или электромагнитное поле. Статья опубликована в журнале Nature Protocols.
В марте 2016 года исследовательская группа сообщила о создании биоробота, который приводится в движение мышечными клетками (миобластами) мышей с внесенным в их геном геном белка ChR2(H134R). Этот белок представляет собой светочувствительный ионный канал, который активируется при облучении синим светом с длиной волны около 470 нм, заставляя мышечную клетку сокращаться. Мышечные клетки, выращенные в форме кольцевых волокон, натянуты на «скелет» из гидрогеля (полиэтиленгликольакрилата, PEGDA) в форме гибкой дуги, опирающейся на пару столбиков. В испытаниях таких биороботов мышечные клетки при облучении светом нужной длины сокращались, деформируя «скелет» и перемещая устройство. При этом миобласты, как и обычные мышечные клетки, можно натренировать, заставляя их сокращаться снова и снова.
Ранее, в 2014 году, та же научная группа создала еще одного подобного биоробота. Гибкий робот также приводился в движение мышечными клетками, но активировались они не светом, а внешним электромагнитным полем. Однако такой метод управления не позволял выборочно активировать нужные клетки, точно управляя движением робота. Кроме того, электричество способно нарушать работу живых клеток, в окружении которых, возможно, найдут применение такие биороботы. Поэтому в своей следующей разработке ученые решили использовать вместо электромагнитного поля световые волны.
Теперь ученые опубликовали общий протокол для создания биороботов, движущихся за счет сокращений модифицированных мышечных клеток, которые активируются тем или иным внешним воздействием (светом или электромагнитным полем). По словам автором, протокол создан для всех ученых, желающих повторить их результаты или разработать новые модели биороботов того же типа.
В протоколе подробно описываются все этапы создания биороботов с указанием производителей и характеристик всех материалов, использованных авторами при разработке обоих типов роботов. Вкратце, на первом этапе с помощью методов оптогенетики создается линия мышечных клеток, активирующихся при воздействии света определенной длины (в случае активации электромагнитным полем этот этап не требуется). Затем культуры мышечных клеток выращивают так, чтобы получить миниатюрные волокна кольцевой формы. На втором этапе создается «скелет»: на 3D-принтере печатают основу из полиэтиленгликольакрилата (PEGDA). Наконец, на скелет натягивают упругое кольцо из мышечных клеток.
В качестве двигателей для «гибридных» биороботах, комбинирующих биологические и электронные компоненты, ученые пытаются использовать различные живые системы, от жгутиконосных бактерий до клеток сердечной мышцы. Например, в 2016 году ученые из исследовательского университета Кейс Вестерн Резерв создали биогибридного робота-улитку, в котором использовали ротовые мышцы калифорнийской морской улитки (Aplysia californica) и 3D-печатные полимерные компоненты.
Софья Долотовская
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.