Робот-краб поможет исследовать морское дно
Итальянские инженеры изготовили робота для исследования дна океана и других водоемов. В отличие от большинства морской техники, этот похожий на краба робот не плавает, а ходит по дну. Это позволяет ему исследовать сложные рельефы, активно взаимодействовать с окружением, а также неподвижно и бесшумно застывать на долгое время. Статья опубликована в Science Robotics.
Развитие подводной робототехники существенно упростило работу всем, кто изучает море, от геологов и экологов до морских биологов. Почти единственная альтернативна использованию дистанционно управляемых аппаратов — нырять самим исследователям, что тяжело, требует специальных навыков и состояния здоровья, а иногда и просто опасно.
В основной своей массе применяемые сейчас морские роботы — это миниатюрные подводные беспилотники, управляемые по кабелю, реже — автономно, поскольку под водой практически невозможна радиосвязь. В редких случаях для изучения фауны применяются роботы, внешне похожие на рыб, чтобы меньше пугать морских обитателей.
Между тем, у плавающих аппаратов есть ряд недостатков. Во-первых, они зависят от течений и почти не могут неподвижно пассивно неподвижно зависнуть: их позиция может сохраняться только за счет работы двигателей. Во-вторых, отсутствие твердого упора затрудняет взятие геологических или биологических образцов, да и сами манипуляторы существенно мешают плавать. Наконец, чем сложнее ландшафт, тем труднее подобраться непосредственно к донному грунту вплавь.
Джиакомо Пикарди (Giacomo Picardi) из Школы перспективных исследований имени святой Анны и его коллеги предложили решить эти проблемы, спроектировав робота, который не плавает, а ходит по дну. После серии экспериментов ученые пришли к выводу, что оптимальный способ хождения по дну уже выработан в природе, и его используют крабы, и именно их облик во многом наследует аппарат SILVER2.
Его шесть длинных широко расставленных ног обеспечивают хорошую устойчивость, позволяют перешагивать препятствия и двигаться в любом направлении. За счет того, что при нормальной походке конечности подогнуты, аппарат может их вытягивать в поиске опоры, например, если нога попала в лунку. Кроме того, в суставах робота-краба установлены пружины, сжимающиеся при сгибании. За счет этого, а также за счет блоков пены, уменьшающей вес в воде, аппарат может при помощи пружин сильно оттолкнуться и запрыгнуть на уступ до десяти сантиметров без использования больших мощных приводов.
Аппарат размером 60 на 35 сантиметров несет на себе блок электроники, аккумулятор, инерциальную навигационную систему навигации, датчики прикосновений и две камеры. Снизу робота располагается платформа для установки полезной нагрузки, куда можно смонтировать манипуляторы, буры для забора образцов или научные инструменты. Поскольку ходящему механизму легко встать на одном месте, робот может смотреть в одну точку с близкого расстояния много дней без расхода энергии на передвижение, что удобно для долгосрочных научных наблюдений. За счет того, что на SILVER2 можно устанавливать разные инструменты, он может пригодиться как для изучения горных пород, так и для наблюдений за флорой и фауной или для исследований климата.
Для связи механический краб буксирует за собой плывущий по поверхности буй. Буй снабжен антенной и привязан к роботу кабелем, по которому передаются данные. Антенна работает по стандарту Wi-Fi, поэтому аппаратом можно управлять с обычного ноутбука, находящегося неподалеку.
Возможно, в перспективе SILVER2 усовершенствуют, добавив ему подлинно беспроводное управление как у искусственной рыбы. Кроме того, робот-краб — не единственный необычный робот, далекий по облику от антропоморфного. Например, прозрачный мягкий механический осьминог может хватать рыбу, а похожий на маленькое насекомое механизм выдерживает удар мухобойкой.
Василий Зайцев
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.