应用

技术

7意彩app下载世界 >> 7意彩app下载新闻 >> 7意彩app下载热点新闻
企业注册个人注册登录

细胞大小、灰色粘液、折纸抓手……盘点机器人五项突破性发明

2019-03-26 10:22 前瞻网

导读:机器人是一门不断发展的学科。从制造到医疗机器人,应用五花八门,灵感可以来自任何地方。让我们看看机器人领域的五项突破性创新。

机器人是一门不断发展的学科。从制造到医疗机器人,应用五花八门,灵感可以来自任何地方。让我们看看机器人领域的五项突破性创新。

1.细胞大小的可注射微型机器人

这些微小的虫形机器人只有70微米长(一微米=千分之一毫米),可能不是有史以来最小的机器人,但这不是重点。 Marc Miskin与康奈尔大学的同事共同开发了这种微型机器人,这种尺寸具有特别重要的意义,因为它大致相当于人体细胞的大小。 “在这方面,重要的不仅仅是小。”Miskin解释道,“之所以很特别,因为我们可以在生物学的基础上建造机器人。”

机器人也足够顽强,能够在恶劣的环境中生存,开启了令人兴奋的医疗可能性:它们可以注入体内。一旦到达那里,它们就可以比普通设备更容易地进入狭窄的地方,并且损坏组织的风险要小得多。

这些微型机器人没有内置电池。相反,每个由四个微小的太阳能电池驱动,每条腿上有一个。腿的厚度不超过一百个原子,由双层铂和钛组成。当激光照射在太阳能电池上时,铂会膨胀,但钛会保持刚性,导致腿部弯曲。因此,机器人可以依次刺激每条腿的太阳能电池来行走。

机器人的初始设计相对简单,设计的下一次迭代将包括额外的功能,包括传感器和控制器。它们也可能在身体外面有应用。 “我的团队正处于开发机器人的早期阶段,这些机器人可以生活在锂离子电池内并清洁表面,使其更安全,使用寿命更长。”Miskin说。

2.灰色粘液机器人

很多小型机器人的概念对于许多科幻迷来说都很熟悉,但不要担心:由麻省理工学院和哥伦比亚大学的工程师开发的“粒子机器人”近期内不会创造《神秘博士》中的防毒面具。粒子机器人是“粒子”或单位的集合,没有集中控制系统。

粒子机器人,或“灰色粘液”,模仿人体细胞的行为。单个细胞是不能移动的,但作为一个群体,它们可以移动。它们如何做到这一点?通过扩大和收缩。细胞松散地连接在一起,意味着每次膨胀和收缩都会推动和拉动它的邻居,从而产生集体运动。在粒子机器人的情况下,每个单元周围的连接由弱磁铁提供。

在传统的机器人中,单个部件的故障会使整个机器无法使用。在灰色粘性物质中,粒子不直接与任何其他粒子通信或依赖于任何其他粒子,这意味着单个部件的失效对整体功能的影响最小。事实上,研究人员发现,群集中五分之一的粒子可能会失效,整个群体仍然可以半速行进。

粒子机器人被设计为朝向光源行进。每个粒子使用其传感器来测量光的强度:离光源越近,粒子看起来越亮。通过将这种强度广播给他们的邻居,粒子可以协调它们的膨胀并一起工作以朝着目标蠕动。

机器人的真正力量在于它的灵活性。由于它由一组通用单元组成,因此集体可以作为一个整体来适应各种任务。这意味着粒子可以改变它们的形状以穿过障碍物或围绕物体来运输它。

3.折纸机器人抓手

机器人在执行相同的重复性任务时非常出色。当涉及到拾取大量相同产品并将其放入包装等任务时,机器人是理想的选择。但你想要一个能够拾取不同类型物体的机器人时,就会遇到麻烦。与人手不同,传统的机器人抓取器需要精确地为它们抓取的物体设计,以确保它们能牢固地抓取。

哈佛大学和麻省理工学院的机器人专家李曙光开发了一种替代方案:一种柔软的折纸式抓手,可以举起各种各样的物品。它的硅橡胶骨架覆盖着乳胶皮。钟形手降低到一个物体上,空气被吸出皮肤,将骨架拉下折叠成折纸形状。

手抓器巧妙地抓住物体,依靠褶皱皮肤的摩擦力将它们固定到位。由于它缺乏传统机器人抓手的刚性,所以它可以在不损坏软水果或玻璃等易碎物品的情况下抓住它们。手抓器还可以容纳各种形状和材料的物体,包括橡皮鸭、游戏手柄和喷壶。

4.后空翻小猎豹

2017年,我们看到波士顿动力公司的人形机器人Atlas从一个盒子上后空翻,稳稳着陆,然后举起双臂以示胜利。麻省理工学院也不甘示弱,研发了一款小型猎豹机器人Mini Cheetah,这种小型四足动物也能做后空翻。事实上,Mini Cheetah是第一个做后空翻的四足机器人。

对机器人来说,翻转可能不是最有用的技能,但它确实展示了Mini Cheetah对环境做出反应的非凡能力。它可以在下落时双脚着地,在被撞后不会跌倒,在向上走错方向时也能自我纠正。它还可以显示一系列动作,包括向前跑步,在移动时旋转,以及称为“内旋”的类似羚羊的弹跳。

5. Dactyl机械手

总部位于旧金山的人工智能研究机构OpenAI以完全不同的方式完成了机器人抓手的任务。 这款名为Dactyl的机械手基于人手,配有相机系统。 Dactyl使用来自摄像机的视觉输入来评估手中的物体。

Dactyl使用神经网络来学习如何操纵手中的对象:它通过大量数据“训练”,直到能够很好地识别模式以预测接下来会发生什么。 通过这种技术,它已经学会了如何将手中的玩具积木转动,直到它与某个方向相匹配。

训练机器人的棘手部分是模拟和现实之间的巨大差异。 模拟总是完美无瑕的,但现实可能很混乱:一方面,摩擦使情况变得更加复杂。 为了弥补这一点,OpenAI有意在他们为Dactyl提供的数据中引入了一定程度的随机性,以增添一丝真实感。