Luftrobotter vil drage fordel af AI-drevne strækningssensorer

Kunstig intelligens fortsætter med at levere innovationer inden for luftfarts- og robotteknologi.  De seneste udviklinger, der involverer integrerede AI-drevne strækningssensorer, kan gøre det muligt at skabe mere smidige og letvægtsløsninger i de kommende år. Her er alt, hvad du behøver at vide.

Siden tidernes morgen har mennesket kigget mod naturen for at opnå en bedre forståelse af flyvning. At skabe robotter, der flapper med vingerne for at flyve, har imidlertid vist sig at være meget mere udfordrende end traditionelle vingekonstruktioner. Desværre har dette efterladt luftrobotter uden nogle nøglefunktioner, som deres naturlige modparter har, såsom hurtigt at skifte mellem svævning og optimeret flyvning. Heldigvis kan dette scenario være ved at ændre sig.

Flapvinge-luftrobotter

I dag er luftrobotter udbredte på tværs af flere sektorer, og deres indflydelse, kapaciteter og tilgængelighed er stigende. Folk tænker ofte kun på propeller-drevne og vingekonstruktioner, når de diskuterer luftrobotik. Der findes dog flere andre muligheder, som måske ikke får så meget opmærksomhed, men som helt sikkert har unikke fordele, der får dem til at skille sig ud.

Flapvinger

Flapvinger giver det bedste fra begge verdener. De gør det muligt for fugle hurtigt at opnå vertikal løft og stabilisere sig for at glide over lange afstande. Vingede insekter kan svæve og skifte retning hurtigt. Tænk på, hvordan en humle eller kolibri suser rundt i et område, eller hvordan en møl kredser om en lyspære.

Indtil nu har der været nogle store fremskridt inden for design af flapvingerobotter. Flyvekontrollerne, der er nødvendige for at få disse konstruktioner til at fungere pålideligt under skiftende forhold i stedet for i et laboratorium, har vist sig svære at udvikle. Disse designs fanger dog stadig udvikleres og skaberes fantasi, og filmen Dune har for nylig vist en Ornithopter, der benytter flapvinger, der ligner en vandrebider.

Kilde – Fandom

Studie om AI-drevne strækningssensorer

En nylig undersøgelse, “Maskinlæringsbaseret vindklassificering ved vinge-deformation i biomimetiske flaprobotter: Biomimetiske fleksible strukturer forbedrer vindmåling,“¹ trækker på naturlig inspiration for at forbedre kapaciteterne hos flapvingsrobotter. Specifikt undersøgte forskerne flere skabninger for at bestemme, hvordan deres sanser gør dem i stand til præcist at optimere deres flyvemønstre.

AI-drevne strækningssensorer tager naturlig inspiration.

Teamet bemærkede, at alle flapvingsfugle og -insekter har en form for sensororgan placeret i deres vinger. De antog, at dette organ udfører forskellige opgaver hos forskellige dyr, hvilket gør dem i stand til at korrigere deres flyveegenskaber for at forbedre deres resultater. Teamet observerede, at græshopper havde strækningssensorer placeret i vingernes årer. Mens mange fugle, som høns, har sensorer nær deres fjerhår.

Indtil denne undersøgelse var der kun lidt forståelse for præcis hvilke data disse sensorer leverede til dyret. Forskerne udledte dog, at sensorinformationen gjorde det muligt for dyrene at opdage vind, kropsbevægelser og skiftende miljøforhold i realtid. For at give robotter de samme kapaciteter gik teamet i gang med at skabe en pålidelig AI-drevet strækningssensor, der kunne efterligne sine naturlige modparter, så robotten kan “føle” sit miljø og sine forhold og justere sig derefter.

Vingedesign

Teamet hentede inspiration fra en af naturens mest smidige flyvere, kolibrien. De gik i gang med at skabe kolibri-mimetiske vinger, der har en lignende struktur som de knogler, der findes i fuglen. Akslerne smalner af i enderne og fungerer som vingårer, hvilket tilføjer et ekstra lag af stabilitet til vingens struktur.

Disse fleksible vinger blev 3D-printet ved brug af en dual-nozzle fused deposition modeling 3D-printer. Denne tilgang gjorde det muligt for teamet at printe med en 12,5 μm tyk copolyester polymer og kulfiberforstærket polyethylenterephthalat. Tilgangen gav egenskaberne fra en naturlig vinge, der kunne bøje og bevæge sig langs sin bane.

Fri bevægelse

Specifikt kunne vingen frit bevæge sig indtil en vinkel på ±23°. Vingen ville også dreje langs den forreste kant under hver flap. Denne bevægelse leverede ekstra kraft ved at maksimere løftkraften, ligesom insekter. Ingeniørerne satte vingens flappeamplitude til 158°, og flappefrekvensen blev justeret til ≈12 Hz for eksperimenterne.

Kilde – Advanced Intelligent Systems

AI-drevne strækningssensorer

Teamet integrerede strækningsmålere i den kolibri-lignende vingestruktur. Specifikt blev syv kommercielt tilgængelige, lavpris strækningssensorer med basisbredder og -længder på 1,4 og 4,2 mm limet på specifikke steder på testvingerne. Disse sensorer blev derefter brugt til at måle vingens tryk og deformation over syv forskellige vindretninger. De anvendte retninger omfattede 0°, 15°, 30°, 45°, 60°, 75° og 90°.

Motor

For at få vingerne til at flappe, blev der fastgjort en DC-motor. Motoren benyttede en Scotch‑yoke mekanisme og reduktionsgear for at levere realistiske flappebevægelser. Enheden blev indstillet til 12 cyklusser per sekund, og sensorledninger blev ført gennem stik på vingerne til et dataregister. Bemærkelsesværdigt brugte ingeniørerne en TEXIO TECHNOLOGY-enhed med en konstant spændingsforsyning for at sikre ensartethed og målbarhed.

AI-drevne strækningssensorer konvolutionelt neuralt netværksmodel

En af hovedkomponenterne i eksperimentet var brugen af et konvolutionelt neuralt netværk. Denne model gjorde det muligt for forskerne at registrere, klassificere og træne en flyvekontrolenhed, der kunne foretage justeringer i realtid ved hjælp af data indsamlet fra strækningssensorerne og matchet mod CNN-modellen.

Strækningsdataene gør det muligt for maskinlæringsalgoritmen at klassificere vindforhold præcist. Som en del af træningen blev sensorens data indsamlet for at efterligne svæveflyvning i en vindtunnel. Bemærkelsesværdigt blev der indsamlet 720 stræknings- og fase-datasæt for hver vindtilstand. Disse data blev opdelt i individuelle vingeflap.

AI-drevne strækningssensorer test

Teamet startede testfasen ved at registrere sensorernes data fra vingerne uden vind. Manglen på luftstrøm gjorde det muligt for sensorerne at nulstille og foretage præcise sammenligninger, efterhånden som forholdene blev forbedret. Derudover testede teamet tre forskellige vinger med de samme strækningsmålerdata og sammenlignede resultaterne.

En magnetisk roterende enkoder blev brugt til præcist at indfange vingens tilstand under forskellige forhold. Enheden var placeret direkte oven på vingerne, hvilket gav en opløsning på 0,703° under flappefasen. Interessant nok startede teamet processen ved at indstille en enkelt rotation af enkoderen til en enkelt flappecyklus.

Vindtunnel

Vindtunnelen var en afgørende del af disse eksperimenter. Den gjorde det muligt for teamet at simulere svæveflyvning under både milde og hårde vindforhold. Specifikt blev otte skiftende vindforhold anvendt i testfasen. Hvert forhold havde 3 målinger foretaget under en enkelt flappecyklus.

AI-drevne strækningssensorer testresultater

Resultaterne af undersøgelsen var imponerende. Teamet var i stand til at bestemme vindforholdene med 99 % nøjagtighed. Imponerende nok krævede bestemmelsen kun en enkelt flap, og i nogle tilfælde gav så lidt som 0,2 flappecyklus meget præcise resultater. Derudover fandt undersøgelsen, at sensorerne tættest på vingens aksler leverede de hurtigste resultater.

Cyklustid er vigtigt

Cyklustiden for hver måling havde en stor indflydelse på resultaterne. Teamet bemærkede, at ved under 0,2 cyklusser faldt datatilliden kraftigt. Ved 0,2 opnåede sensorerne en nøjagtighed på 85 %. Denne nøjagtighed kan forbedres eller reduceres afhængigt af antallet af sensorer i vingen.

Biomimetiske vingakslstrukturer forbedrer AI-drevne strækningssensorers resultater

Testene viste, at vingens akselstruktur spiller en afgørende rolle for dataindsamling og nøjagtighed. Derfor kunne de strukturerede vinger, der blev testet, bestemme vindforholdene meget hurtigere end et ustruktureret testobjekt. Denne opdagelse førte til, at ingeniørerne konkluderede, at forbedring af vingestrukturen og sensorplaceringen kan give endnu større nøjagtighed i fremtiden.

AI-drevne strækningssensorers fordele

Der er en lang række fordele, som denne undersøgelse bringer til markedet. For det første gav den robotingeniører en simpel vingestrækningsmåling, der bygger på kommercielt tilgængelige, standardiserede og overkommelige komponenter. Disse lavpris- og lavenergiforbrugende enheder kan let integreres i flyvende robotter uden behov for større ændringer.

Smidighed

Den smidighed, som humlebier opnår, er næsten overjordisk. Disse vingedyr kan hurtigt stoppe, svæve og skifte retning uden meget anstrengelse. Forskere håber at skabe droner med de samme evner, hvilket muliggør et nyt integrationsniveau.

Tilpasningsevne

Ingen kan fortælle dig, hvilken retning vinden vil blæse i hele tiden. Men sensorinput fra de testede vinger kan direkte genkende strømforhold uden hjælp fra yderligere enheder. Disse data kan bruges til at forbedre miljøbevidstheden, give bedre kontrol og hurtig informationskodning baseret på miljøforhold.

Simpel tilgang

En anden stor fordel ved flapvinger i forhold til andre svæve-teknologier er enkelhed. Hovercrafts kræver meget luftstrøm og kan kun nå en bestemt højde. Omvendt er helikoptere enormt komplekse og kræver tusindvis af bevægelige dele, der skal kalibreres perfekt for at opnå en svæveposition. Denne seneste undersøgelse kan gøre det muligt at 3D-printe køretøjsvinger, der er i stand til stabil svæveflyvning og hurtige retningsskift uden masser af bevægelige og indviklede dele.

AI-drevne strækningssensorers anvendelsesområder

Der er flere anvendelsesområder for flapvingsrobotter. Disse enheder kan hjælpe med at nå svært tilgængelige steder eller levere glat scanning af naturkatastrofer eller krigszoner. Små luftrobotter lider i øjeblikket under alvorlige begrænsninger i vægt og størrelse. Brug af flapvinger kan forbedre deres nyttelast ved at reducere vægten, der kræves til flyveapparater.

AI-drevne strækningssensorers forskere

Denne undersøgelse blev fremsat af forskere ved Institute of Science Tokyo. Rapporten blev ledet af lektor Hiroto Tanaka og omfattede arbejde fra Hiroto Tanaka. Derudover hjalp Tomoya Fujii med vingedesignet. Bemærkelsesværdigt modtog forskerne støtte fra JSPS KAKENHI Grant-in-Aid for Scientific Research on Innovative Areas “Science of Soft Robots” under grant nr. JP18H05468.

Virksomheder, der kunne drage fordel af de AI-drevne strækningssensorer

Evnen til præcist og hurtigt at bestemme vindforhold er en mulighed, som mange virksomheder kan bruge til at forbedre deres tilbud. Brug af disse sensorer på flapvingsrobotter åbner døren for droneproducenter til at udvide denne teknologi for at skabe mere smidige og unikke muligheder. Her er en virksomhed, der kan gennemføre opgaven i de kommende måneder.

Kratos Defense & Security Solutions Inc

Kratos Defense & Security Solutions Inc (KTOS ) gik oprindeligt ind på markedet i 1994 som en leverandør af telekommunikationsinfrastruktur, før de skiftede deres mission og mål til droneproduktion. Virksomheden er baseret i San Diego, CA.

I 2004 begyndte Kratos Defense & Security Solutions Inc. at foretage højniveauopkøb på tværs af markedet. Disse opkøb gav virksomheden adgang til avanceret teknologi og førte til, at firmaet skiftede navn og overordnede fokus til militære forsvarsteknologier.

I dag er Kratos anerkendt som en førende leverandør af militære droner og software. virksomhedens aktie, KTOS, har oplevet stabil vækst i løbet af året på grund af en række faktorer, herunder virksomhedens konstante innovation af deres tilbud i takt med den stigende efterspørgsel efter automatiserede og AI-drevne krigsdroner.

Kratos Defense & Security Solutions Inc.’s dybe forbindelser til institutionelle investorer, regeringer og deres dokumenterede resultater gør dem til den perfekte virksomhed til at integrere denne teknologi i de kommende måneder.

Fremtiden for AI-drevne strækningssensorer

Ingeniørerne bag undersøgelsen af AI-drevne strækningssensorer mener, at der stadig er meget arbejde at gøre for at sikre, at denne teknologi når sit højdepunkt. I øjeblikket er markedet for vingedroner stadig i sin spæde fase.

Men da fordelene ved vingeflyvning, såsom stabil svæveflyvning og hurtige retningsskift, skaber unikke muligheder, kan du forvente, at efterspørgslen efter disse bots vil stige. Derfor har teamet til hensigt at udføre yderligere undersøgelser af mere komplekse vindforhold og kombinationer af forskellige strækningssensorplaceringer for at optimere deres design.

AI-drevne strækningssensorer – Gør vinger smarte

Introduktionen af pålidelige og overkommelige AI-drevne strækningssensorer i vingebaserede robotter vil uden tvivl forbedre ydeevnen på tværs af feltet. Denne undersøgelse bringer industrien et skridt tættere på at efterligne naturen og låse op for århundredgamle mysterier omkring flyvning. I de kommende måneder kan denne undersøgelse føre til skabelsen af mange nye og kapable flapvingskonstruktioner.

Lær om andre spændende robotprojekter her.

Studierreference:

^{1. Kubota, K., & Tanaka, H. (2024). Maskinlæringsbaseret vindklassificering ved vinge-deformation i biomimetiske flaprobotter: Biomimetiske fleksible strukturer forbedrer vindmåling. Advanced Intelligent Systems, 6(11), 2400473. https://doi.org/10.1002/aisy.202400473}