Kina trener roboter til å hoppe som katter for å utforske asteroider

[annonse_1]

Inspirert av katters evne til å snu seg og lande, brukte et forskerteam ved Harbin Institute of Technology (Kina) forsterkningslæring (RL) – en type kunstig intelligens (KI) – for å trene roboter til å justere holdningen sin i luften når de hopper over røffe overflater med lav gravitasjon på asteroider.

Et kinesisk forskerteam trente en firbeint robot til å justere holdningen sin og lande som en katt for å bevege seg på overflaten av en asteroide. (Foto: SCMP)

I motsetning til tradisjonelle systemer som er avhengige av spesialisert, men tung stabiliseringsmaskinvare, bruker roboten et «modellfritt» kontrollsystem for å bevege sine fire ben i koordinert bevegelse. Dette lar roboten justere vippingen og endre bevegelsesretningen i luften, rapporterer forskerne i Journal of Astronautics.

Forskningen tar for seg en sentral utfordring med robothopping når de beveger seg på asteroider, der miljøet har lav tyngdekraft og selv en liten ubalanse i benkrefter kan føre til at roboten snurrer ukontrollert, lander uten hell eller spretter helt av overflaten.

«I asteroidenes miljø med lav gravitasjon opplever roboter lange perioder med fritt fall under hvert hopp. Det er viktig å bruke denne tiden til å justere avbøyningen forårsaket av hoppet, for å sikre en trygg landing eller for å endre rotasjonsvinkelen for å justere bevegelsesretningen», sa teamet i rapporten.

«En simuleringsplattform for mikrogravitasjon ble designet og bygget for å verifisere effektiviteten til denne hoppemetoden gjennom eksperimenter på en firbent robotprototype», la teamet til.

Asteroider er rester av dannelsen av solsystemet og inneholder nøkkelen til å tyde dets opprinnelse. De er også rike på ressurser som platina og andre sjeldne metaller, som kan hjelpe fremtidig romutforskning og industrielle anvendelser.

Utfordringer på asteroideoverflaten

Så langt har romfartsorganisasjoner i Europa, Japan og USA lykkes med å lande romfartøy på asteroider for å hente prøver, men ingen har utplassert rovere som er i stand til langsiktig overflateutforskning.

Tradisjonelle hjulkjøretøyer, som de som brukes på Månen og Mars, møter utfordringer i asteroidemiljøer fordi den svake tyngdekraften, vanligvis bare noen få tusendeler av jordens, ikke gir nok trekkraft til at hjulene skal fungere effektivt.

For å håndtere disse begrensningene har forskere foreslått å bruke hoppende roboter til fremtidige oppdrag, men det presenterer et nytt sett med utfordringer.

Hver gang den hopper, holder roboten seg i luften i omtrent 10 sekunder, lenge nok til at de ubalanserte benkreftene får roboten til å snurre ukontrollert eller til og med sprette av overflaten og drive ut i rommet.

Harbin-teamet brukte RL til å trene roboten i en virtuell simulering. I løpet av syv timer lærte AI-en av sine eksperimentelle feil og forbedret bevegelsene sine for å lande stabilt. Robotens AI-system demonstrerte evnen til å justere retningen, inkludert pitch (lening forover eller bakover), tilt (lening fra side til side) og yaw (rotasjonsvinkel), på bare noen få sekunder.

For eksempel, når roboten skytes fremover med en stor helning på opptil 140 grader, kan den stabilisere holdningen sin innen 8 sekunder. Den kan også rotere i luften opptil 90 grader for å endre bevegelsesretning.

Roboter trenes ved hjelp av forsterkningslæringsmetoder. (Foto: SCMP)

For å validere systemets effektivitet, bygde forskerne en mikrogravitasjonssimuleringsplattform som lar roboten "flyte" på en nesten friksjonsfri overflate.

Selv om eksperimentene var begrenset til todimensjonal bevegelse, bekreftet de systemets effektivitet og forsterket resultatene fra simuleringer, sa teamet.

I tillegg fant forskerne ut at prosessen krever svært lite datakraft fra roboten. Systemets lette og energieffektive design gjør det spesielt egnet for oppdrag i verdensrommet.

I fremtiden kan dette systemet ha et bredt spekter av bruksområder, fra vitenskapelig utforskning til ressursutvinning på asteroider. Forskningsteamet sa imidlertid at det er behov for mer forskning for å forbedre AI-ens evne til å tilpasse seg ulike terreng og miljøer.

Hua Yu (Kilde: SCMP)

[annonse_2]
Kilde