بهبود قابلیت انتقال اجسام با ربات نرم حلزونی 

به گزارش خبرگزاری علم و فناوری آنا به نقل از تک اکسپلور، ربات‌های نرم الهام گرفته شده از حیوانات می‌توانند به حل مشکلات دنیای واقعی به روش‌های کارآمد و خلاقانه‌ای کمک کنند. محققان دانشگاه ناگویا و موسسه فناوری توکیو به تازگی ربات نرمی با الهام از کرم‌های حلزونی ساخته اند که می‌تواند بار‌های بیش از ۱۰۰ گرم را با سرعت تقریبی ۹ میلی متر در ثانیه حمل کند.

پژوهشگران ژاپنی دراین پژوهش از تلاقی رباتیک نرم و زیست تقلید، به ویژه با الهام از سازوکار‌های حرکت کرم‌های حلزونی استفاده کردند. تلاش‌های تحقیقاتی قبلی در رباتیک نرم، روش‌های مختلف تحریک (پنوماتیک، فوتوتروپیک، و الکتروهیدرودینامیک) و مواد (پارچه ها، رزین ها، ژل‌های پلیمری) را برای تقلید از سازگاری و چند کارکردی موجودات بیولوژیکی بررسی کرده اند. این تلاش‌ها با هدف غلبه بر محدودیت‌های سنتی ربات‌های سفت و سخت، مانند عدم انعطاف پذیری و ناتوانی آنها در انجام کار‌های ظریف صورت گرفته است.

ربات الهام گرفته شده از از کرم حلزونی حرکت منحصربه فرد «Ω» شکل یک کرم حلزونی را با انقباض متناوب و گسترش بدن آن، با استفاده از ماهیچه‌های مصنوعی «مک کیبن» «McKibben» برای رانش، تقلید می‌کند. این طراحی امکان انتقال کارآمد اشیاء را بر روی سطوح مختلف، دستیابی به سرعت‌ها و ظرفیت‌های بار بالا و در عین حال حفظ سازگاری و سادگی مشخصه رباتیک نرم فراهم می‌کند.

محققان نمونه اولیه ربات خود را ساختند و آن را در یک سری آزمایش‌های کنترل شده در یک محیط آزمایشگاهی آزمایش کردند. نتایج بسیار امیدوارکننده بود، زیرا مشخص شد که این ربات از نظر سرعت و ظرفیت حمل بار بهتر از سایر ربات‌های حلزونی قبلی، عمل می‌کرد.

مهندسان ژاپنی می‌گویند: ربات حلزونی ما می‌تواند اشیاء را با حداکثر سرعت ۸.۵۴ میلی متر بر ثانیه حمل و بار‌های بیش از ۱۰۰ گرم را جابه‌جا کند، که به طور قابل توجهی از مدل‌های قبلی در سرعت و ظرفیت بار پیشی می‌گیرد.

این پیشرفت نه تنها قابلیت طرح‌های زیست تقلید در رباتیک را برای بهبود کارایی و سازگاری در وظایف حمل و نقل نشان می‌دهد، بلکه زمینه ساز کاربرد‌های عملی در حمل و نقل اجسام ظریف و لجستیک خودکار نیز هست.

این محققان قصد دارند در آینده روش‌های یادگیری عمیق و مدل‌های زبانی بزرگ را برای افزایش کنترل و سازگاری ربات‌های الهام گرفته از کرم‌های حلزونی ادغام کنند.

به گفته آنها با استفاده از الگوریتم‌های یادگیری عمیق، این ربات‌ها می‌توانند به طور مستقل راهبرد‌های حرکتی خود را بر اساس شرایط محیطی و ویژگی‌های اشیا تنظیم کنند و عملکرد خود را در سناریو‌های پیچیده و دنیای واقعی بهبود بخشند.
علاوه بر این، مدل‌های بزرگ زبان می‌توانند ارتباط زبان طبیعی با ربات‌ها را تسهیل و تعامل بصری و کاربرپسند را برای طیف وسیع تری از برنامه‌ها فراهم کنند.

نتایج این تحقیقات در نشریه Biomimetic Intelligence and Robotics منتشر شده است.