Пластиковый шар помог колонии водорослей убежать от света
Британские исследователи показали, что сферическую колонию водорослей можно превратить в простого робота, управляемого светом. При облучении светом они благодаря фотосинтезу активно вырабатывают газ, который меняет центр масс шара и заставляет его двигаться по направлению от источника света. Статья опубликована в Journal of Biological Engineering.
Чаще всего подсловом робот подразумевают устройство с моторами, логической схемой и другими компонентами, позволяющими ему самостоятельно выполнять одну или несколько функций. Но в научной среде этот термин трактуется гораздо шире и не имеет четких границ, поэтому роботом могут назвать даже изгибающийся под действием магнита полоску из полимера или машинку с колесами, моторами и способностью реагировать на изменения в среде, но без какой-либо логической схемы.
Нил Филлипс (Neil Phillips) и его коллеги из Университета Западной Англии создали подводного робота (сами они называют его биоровером), состоящего из живых водорослей и пластикового корпуса и способного двигаться, реагируя на изменения среды. За основу они взяли колонию водорослей Эгаропила Линнея (Aegagropila linnaei). Два главных свойства, из-за которых авторы выбрали их в качестве объекта исследование — шарообразная форма и способность производить газ (кислород) под действием света. Вместе эти свойства позволяют реализовать определенный ответ на внешние стимулы среды.
Если взять колонию в исходном виде, выделяемый при облучении газ будет сразу же подниматься наверх и не сможет двигать ее, поэтому исследователи решили заключить ее в круглый пластиковый корпус. Они создали четыре версии корпуса и остановились на той, в которой сфера поделена на пятиугольные сегменты, в которые вставляются водоросли. По краям сферы эти сегменты закрыты прозрачными пластинами с небольшими отверстиями, то есть образуют негерметичные полости для газа.
Принцип работы робота основан на том, что при облучении водоросли начинают вырабатывать газ, который скапливается в полостях. Поскольку источник света расположен с одной стороны, то и газ тоже производится в основном с этой стороны, и это приводит к изменению центра масс. Если источник света расположен сбоку от шара, а не сверху или снизу, скапливающийся сбоку газ заставляет эту сторону робота вращаться и выходит сверху через отверстия, после чего процесс повторяется для той стороны, которая теперь оказалась повернутой к источнику. Таким образом, робот умеет двигаться от света, катаясь по дну. Если же на дне есть препятствие, то газ продолжает накапливаться без высвобождения и робот всплывает, что позволяет ему преодолевать преграды.
Чаще всего ученые используют живые организмы в роботах вместе с электроникой. Например, мы рассказывали о том, как инженеры подключили электроды к Венериной мухоловке и научились управлять ее схлопыванием со смартфона.
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.