A fusão de IA e robótica para ambientes dinâmicos

O avanço da inteligência artificial (IA) deu início a uma nova era de robótica automatizada que são adaptáveis ​​aos seus ambientes.

O campo da robótica fez avanços notáveis ​​nas últimas décadas, mas continua enfrentando desafios que dificultam a utilização total de seu potencial. Os robôs tradicionais geralmente confiam em instruções pré-programadas e configurações restritas, limitando sua capacidade de responder a circunstâncias imprevistas. Tecnologias de IA-cognição, análise, inferência e tomada de decisões-abrangentes para operar de maneira inteligente, aprimorando significativamente suas capacidades para ajudar e apoiar os seres humanos.

Ao aumentar os robôs com tecnologias de IA nos sistemas de engenharia, podemos esperar aplicativos mais sempre presentes na indústria, agricultura, logística, medicina e além, permitindo que os robôs executem tarefas complexas com maior autonomia e eficiência. Esse aprimoramento tecnológico desencadeia o potencial da robótica em aplicações do mundo real, oferecendo soluções para prensar problemas médicos e ambientais e facilitar uma mudança de paradigma em direção à fabricação inteligente no contexto da Revolução da Indústria 4.0.

Com a aplicação da IA, uma equipe de pesquisa liderada pelo Prof. Dan Zhang, presidente do professor de robótica e automação inteligente no Departamento de Engenharia Mecânica e diretor do Instituto de Pesquisa de Tecnologia e Inovação Polyu-Nanjing da Universidade Politécnica de Hong Kong (Polyu), fabricou um número de novos sistemas robóticos com desempenho dinâmico de alto dinâmico.

A equipe de pesquisa do Prof. Zhang propôs recentemente uma estrutura de detecção de pose que aplica redes neurais profundas para gerar um rico conjunto de alças omnidirecionais (em seis graus de liberdade “6-DOF”) poses com alta precisão. Para detectar os objetos a serem compreendidos, as redes neurais convolucionais (CNNs) são aplicadas a um cilindro em várias escalas com raios variados, fornecendo informações geométricas detalhadas sobre a localização de cada objeto e a estimativa de tamanho.

Múltiplos perceptrons de várias camadas (MLPs) otimizam os parâmetros de precisão do manipulador robótico para agarrar objetos, incluindo a largura da pinça, a pontuação de aderência (para ângulos de rotação específicos no plano e profundidades da pinça), bem como a detecção de colisão. Esses parâmetros são alimentados em um algoritmo dentro da estrutura, estendendo as alças das configurações pré-definidas para gerar poses abrangentes de alcance adaptadas para a cena.

As experiências revelam que o método proposto supera consistentemente o método de referência em simulações de laboratório, alcançando uma taxa média de sucesso de 84,46% em comparação com 78,31% para o método de referência em experimentos do mundo real.

Além disso, a equipe de pesquisa aproveita as tecnologias de IA para aprimorar a funcionalidade e a experiência do usuário de um novo exoesqueleto robótico do joelho para a reabilitação da marcha de pacientes com comprometimento da articulação do joelho. A estrutura do exoesqueleto inclui um atuador alimentado por um motor elétrico para ajudar ativamente a flexão/extensão do joelho, uma articulação do tornozelo que transfere o peso do exoesqueleto para o solo e um mecanismo de ajuste de rigidez alimentado por outro motor elétrico.

Uma rede de memória de curto prazo (LSTM) em um algoritmo de aprendizado de máquina é aplicado para fornecer rigidez não linear em tempo real e ajustes de torque, imitando as características biomecânicas da articulação do joelho humano. A rede é treinada em um grande conjunto de dados de sinais de eletromiografia (EMG) e dados de movimento da articulação do joelho, permitindo ajustes em tempo real da rigidez e torque do exoesqueleto com base nos sinais fisiológicos e nas condições de movimento do usuário. Ao prever os ajustes necessários, o sistema se adapta a vários requisitos da marcha, aprimorando a estabilidade e o conforto do usuário.

A integração de um algoritmo de controle de aceitação adaptativo com base nas redes de função de base radial (RBF) permite que o exoesqueleto do joelho robótico ajuste automaticamente os ângulos da junta e os parâmetros de rigidez sem a necessidade de sensores de força ou torque. Isso aumenta a precisão do controle de posição e melhora a capacidade de resposta do exoesqueleto a diferentes posturas de caminhada. Essa abordagem orientada a dados refina as previsões do modelo e melhora o desempenho geral ao longo do tempo.

Os resultados experimentais demonstram que o modelo supera os métodos tradicionais de controle fixo em termos de precisão e capacidade de resposta em tempo real, gerando a trajetória conjunta de referência desejada para usuários em diferentes velocidades de caminhada.

A pesquisa do Prof. Zhang e sua equipe revela que as técnicas de IA, particularmente aprendizado profundo, melhoraram a capacidade dos robôs de perceber e entender seus ambientes. Esse avanço contribui para soluções mais eficazes e flexíveis para lidar com tarefas além das configurações fixas nas configurações padrão.

A fusão da IA ​​e da robótica não apenas aprimora a precisão e a precisão, mas também apresenta novos recursos para a automação robótica, permitindo a tomada de decisões em tempo real e o aprendizado contínuo. Como resultado, os robôs podem melhorar seu desempenho ao longo do tempo, levando à utilização prolongada da robótica na sociedade para futuros empreendimentos.