در دانشگاه توكیو ابداع شد حسگرهایی كه به انعطاف پذیری ربات ها كمك می كنند رمز من: پژوهشگران ˮدانشگاه توكیوˮ، حسگرهایی ابداع نموده اند كه می توانند امكان انعطاف بیشتر را برای ربات ها فراهم آورند. به گزارش رمز من به نقل از ایسنا و به نقل از ساینس دیلی، ربات ها را می توان از مواد نرم ساخت اما انعطاف پذیری چنین ربات هایی محدود به استفاده از سنسورهای سفت و سختی است که برای کنترل آنها ضروری هستند. پژوهشگران "دانشگاه توکیو" (UTokyo)، حسگرهایی ابداع نموده اند که می توانند عملکرد سنسورهای معمول را داشته باشند اما انعطاف پذیری بیشتری را برای ربات به ارمغان بیاورند. ربات های نرم می توانند با کمک این سنسورهای جدید، سازگارتر و منعطف تر از ربات هایی با طراحی قدیمی باشند. پژوهشگران در طراحی این حسگرها، از روش های یادگیری ماشینی بهره برده اند. خودکارسازی، مفهومی در حال توسعه است و هسته این مفهوم را حوزه هایی مانند علوم رباتیک و یادگیری ماشینی می سازند. رابطه میان یادگیری ماشینی و علوم رباتیک، فقط به کنترل رفتار ربات ها محدود نمی گردد بلکه برای طراحی و عملکرد آنها مهم نیز هست. رباتی که در جهان واقعی کار می کند، باید بتواند از عهده درک محیط اطراف خود برآید و وظایف بسیاری را انجام دهد. اگر جهان واقعی کاملا قابل پیش بینی بود، ربات ها می توانستند بدون نیاز به یادگیری در مورد محیط اطراف، عملکرد خوبی داشته باشند اما واقعیت، غیر قابل پیش بینی و پیوسته در حال تغییر است؛ در نتیجه یادگیری ماشینی باید به ربات ها کمک نماید تا با شرایط ناآشنا سازگار شوند. بااینکه این قاعده در مورد همه ربات ها صدق می کند اما برای ربات های نرم، مهم تر است برای اینکه خاصیت های فیزیکی ربات های نرم نسبت به همتایان آنها، کمتر قابل پیش بینی است. پروفسور "کوهی ناکاجیما" (Kohei Nakajima)، استادیار بخش علم و فناوری اطلاعات دانشگاه توکیو اظهار داشت: برای نمونه، ربات های دارای "ماهیچه مصنوعی پنوماتیکی" (PAM) را در نظر بگیرید که باید برای حرکت، منقبض و منبسط شوند. ناکاجیما و گروهش تصمیم گرفتند یک مدل از ربات های دارای ماهیچه مصنوعی پنوماتیکی را به کار بگیرند تا توانایی حفظ کنترل را در آن بررسی نمایند اما ذات در حال تغییر این ربات ها، با روش های قدیمی مدل سازی مکانیکی سازگار نیست؛ در نتیجه آنها تصمیم گرفتند تا از یک روش یادگیری ماشینی قدرتمند و تثبیت شده موسوم به "رایانش مخزنی" (Reservoir computing) استفاده کنند. در این روش، اطلاعات مربوط به یک سیستم که در این مورد، ربات های دارای ماهیچه مصنوعی پنوماتیکی هستند، به یک شبکه عصبی مصنوعی داده می شود؛ بنا بر این این مدل همیشه در حال تغییر است و با محیط سازگار می شود. ناکاجیما افزود: ما دریافتیم که مقاومت الکتریکی تغییرات ربات های دارای ماهیچه مصنوعی، به شکل آنها بستگی دارد؛ در نتیجه داده ها را به شبکه انتقال دادیم تا شبکه بتواند حالت های ربات را به دقت گزارش دهد. با این روش، ارائه نسل جدیدی از فناوری ربات های نرم امکان پذیر می شود که می توانند با انسان ها همکاری کنند. ناکاجیما اضافه کرد: پژوهش ما نشان میدهد که رایانش مخزنی می تواند کاربردهایی بیش از حوزه رباتیک داشته باشد. کاربردهای احساس کردن ازراه دور که به اطلاعات زمان واقعی نیاز دارد، می توانند مزایای بسیاری را عرضه کنند. شاید پژوهشگرانی که در حوزه "نورومورفیک" (neuromorphic) فعالیت می نمایند، با کمک این روش بتوانند عملکرد سیستم های خودرا بهبود ببخشند. 1399/02/27 23:21:47 5.0 / 5 2920 تگهای خبر: اطلاعات , ربات , شبكه , فناوری اگر مطلب را پسندیدید لایک کنید (1) (0) تازه ترین مطالب مرتبط حفظ صداقت دیجیتال در گروی برچسب گذاری محتوای جعلی هوش مصنوعی هشتمین دوره جایزه ملی فناوری اطلاعات بعد از ۵ سال وقفه پای استارلینک هم به دعوای برزیل و ایکس باز شد صدور ۳۹ هزار اینماد در پنج ماهه نخست سال ۱۴۰۳ نظرات بینندگان در مورد این مطلب نظر شما در مورد این مطلب نام: ایمیل: نظر: سوال: = ۹ بعلاوه ۳