Двигающийся по себе манипулятор научился менять высоту
Израильские инженеры создали новую версию манипулятора MASR, которая способна перемещаться не только в горизонтальной плоскости, но и менять высоту. Манипулятор состоит из набора одинаковых пассивных сегментов, выстроенных в линию, и блока, который двигается по ним и поворачивает их на нужный ему угол. Благодаря такой конструкции манипулятор имеет большую рабочую зону, но при этом использует только три мотора, рассказывают авторы статьи в IEEE Robotics and Automation Letters.
Как правило, если робот или манипулятор имеет сгибающуюся конечность, ее делают из нескольких отдельных сегментов, и на стыке между ними стоит хотя бы по одному мотору. Даже если сегменты управляются натяжением тросов или подачей воздуха в надувные камеры, они все равно управляются отдельными актуаторами, пускай и вынесенными за пределами самой конечности. Такой подход позволяет совершать быстрые движения одновременно несколькими сегментами, но при этом требует большое количество актуаторов и энергии.
В 2017 году группа инженеров из Университета имени Бен-Гуриона под руководством Давида Заррука (David Zarrouk) разработала альтернативную конструкцию манипуляторов, которая имеет множество степеней свободы в горизонтальной плоскости и при этом требует всего два двигателя. Теперь они представили вторую версию разработки, которая может двигаться и вертикально. Основа конструкции осталась той же: манипулятор состоит из ряда сегментов, которые можно поворачивать относительно друг друга, и ездящего по ним подвижного блока.
Сегменты соединены между собой через червячную передачу: колесо расположено на конце одного сегмента, а на червяк в начале другого и на его вал по бокам надето две шестерни. Они нужны для того, чтобы подвижный блок мог поворачивать сегменты на нужный ему угол. Также теперь сегменты соединены через алюминиевые петли, которые не позволяют манипулятору провисать даже под тяжестью подвижного блока.
Подвижный блок надет на ряд сегментов манипулятора и ездит по ним как по рельсу. В блоке используется два мотора. Один расположен снизу и через шестерни двигает блок по сегментам, зацепляясь за выступы на них. Второй мотор расположен сверху и нужен для того, чтобы поворачивать сегменты относительно друг друга. Инженеры придумали для этого простое и эффективное решение: на оси мотора есть зубья, но не на всей поверхности. Благодаря этому при движении вдоль сегментов блок может перемещаться свободно, не задевая их шестерни своими.
Помимо измененной конструкции блока главное отличие нового манипулятора заключается в том, что он закреплен на подвижном основании, которое может поднимать его на нужную высоту. Для этого тоже используется простая конструкция: основание манипулятора закреплено на длинном винте, который вращается шаговым мотором.
Разработчики показали на видео, как манипулятор может захватывать шар и перемещать его в другое место. Также благодаря тому, что он может изгибаться во многих местах, ему удалось обогнуть стену и доставить шар за нее.
Недавно компания Hello Robot представила робота для исследовательских проектов с простой, но эффективной конструкцией. Он состоит из вертикальной штанги и двигающегося по ней телескопического манипулятора, а все вместе они установлены на колесную платформу.
Григорий Копиев
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.
