Ρομπότ Αεροπορίας που θα ωφεληθούν από AI-Powered Strain Receptors

Η τεχνητή νοημοσύνη συνεχίζει να παρέχει καινοτομίες στον αεροναυτικό και ρομποτικό κλάδο. Πρόσφατες εξελίξεις που αφορούν ενσωματωμένους AI-powered strain receptors θα μπορούσαν να καταστήσουν δυνατή τη δημιουργία πιο ευκίνητων και ελαφριών επιλογών στα επόμενα χρόνια. Εδώ είναι όλα όσα πρέπει να γνωρίζετε.

Από την αρχή του χρόνου, ο άνθρωπος έχει κοιτάξει τη φύση για να αποκτήσει καλύτερη κατανόηση της πτήσης. Ωστόσο, η δημιουργία ρομπότ που κουνούν τα φτερά τους για να πετάξουν αποδείχθηκε πολύ πιο δύσκολη από τα παραδοσιακά πτερωτά μέσα. Δυστυχώς, αυτή η κατάσταση άφησε τα ρομπότ αεροπορίας χωρίς ορισμένες βασικές δυνατότητες που έχουν οι φυσικοί τους ομότιμοι, όπως η γρήγορη μετάβαση μεταξύ αιωρήσεως και βέλτιστης πτήσης. Ευτυχώς, αυτή η κατάσταση μπορεί να αλλάξει.

Ρομπότ Αεροπορίας με Φτερούγες Κουνούπια

Σήμερα, τα ρομπότ αεροπορίας είναι διαδεδομένα σε πολλούς τομείς, και η επιρροή, οι δυνατότητες και η διαθεσιμότητά τους αυξάνονται. Οι άνθρωποι συχνά σκέφτονται μόνο τα μέσα με προπέλα ή πτερωτά όταν συζητούν για ρομποτική αεροπορία. Ωστόσο, υπάρχουν αρκετές άλλες επιλογές που ίσως δεν λαμβάνουν την προσοχή, αλλά σίγουρα έχουν μοναδικά πλεονεκτήματα που τα κάνουν να ξεχωρίζουν.

Φτερούγες Κουνούπια

Οι φτερούγες που κουνιούνται προσφέρουν το καλύτερο και των δύο κόσμων. Επιτρέπουν στα πουλιά να αποκτούν γρήγορα κατακόρυφο άρση και να σταθεροποιούνται για να γλιστρήσουν μεγάλες αποστάσεις. Τα πτερωτά έντομα μπορούν να αιωρούνται και να αλλάζουν κατεύθυνση γρήγορα. Σκεφτείτε πώς μια μέλισσα ή ένα κυκνοπτερύγιο κινείται γρήγορα σε μια περιοχή, ή πώς μια νυχτερίδα περιφέρει γύρω από μια λάμπα.

Μέχρι σήμερα, έχουν σημειωθεί σημαντικές προόδους στο σχεδιασμό ρομπότ με φτερούγες κουνουπιδιού. Ωστόσο, οι ελεγκτές πτήσης που απαιτούνται για να λειτουργούν αυτά τα μέσα αξιόπιστα σε μεταβαλλόμενες συνθήκες, αντί σε εργαστήριο, αποδείχθηκαν δύσκολο να δημιουργηθούν. Παρόλα αυτά, αυτά τα σχέδια εξακολουθούν να αιχμαλωτίζουν τη φαντασία των προγραμματιστών και δημιουργών, με την ταινία Dune να παρουσιάζει πρόσφατα ένα Ornithopter που βασίζεται σε φτερούγες κουνουπιδιού που μοιάζουν με λυγόπτερο.

Πηγή – Fandom

Μελέτη AI-Powered Strain Receptors

Μια πρόσφατη μελέτη, «Κατηγοριοποίηση Ανέμου με Μηχανική Μάθηση βάσει Παραμόρφωσης Φτερών σε Βιομιμητικά Ρομπότ Κουνουπιδιού: Οι Βιομιμητικές Ευέλικτες Δομές Βελτιώνουν την Ανίχνευση Ανέμου»,¹ αντλεί έμπνευση από τη φύση για να ενισχύσει τις δυνατότητες των ρομπότ με φτερούγες κουνουπιδιού. Συγκεκριμένα, οι ερευνητές εξέτασαν πολλαπλά ζώα για να προσδιορίσουν πώς οι αισθήσεις τους τους επιτρέπουν να βελτιστοποιούν τα πρότυπα πτήσης με ακρίβεια.

AI-Powered Strain Receptors Εμπνέονται από τη Φύση.

Η ομάδα παρατήρησε ότι όλα τα πουλιά και έντομα με φτερούγες κουνουπιδιού διαθέτουν κάποιο είδος αισθητηρίου στα φτερά τους. Υποθέσαν ότι αυτό το όργανο εκτελεί διαφορετικές λειτουργίες σε διαφορετικά ζώα, επιτρέποντάς τους να διορθώνουν τα χαρακτηριστικά πτήσης για να βελτιώσουν τα αποτελέσματά τους. Η ομάδα διαπίστωσε ότι οι ακρίδες είχαν αισθητήρες παραμόρφωσης στις φλέβες των φτερών τους, ενώ πολλά πουλιά, όπως οι κότες, έχουν αισθητήρες κοντά στις θύλακες των πτερυγίων.

Μέχρι αυτή τη μελέτη, υπήρχε περιορισμένη κατανόηση του ακριβούς τύπου δεδομένων που παρείχαν αυτά τα αισθητήρια στα ζώα. Ωστόσο, οι ερευνητές κατέληξαν στο συμπέρασμα ότι οι πληροφορίες αισθητήρων επέτρεπαν στα ζώα να ανιχνεύουν τον άνεμο, τις κινήσεις του σώματος και τις μεταβαλλόμενες περιβαλλοντικές συνθήκες σε πραγματικό χρόνο. Προσπαθώντας να δώσουν στα ρομπότ τις ίδιες δυνατότητες, η ομάδα ξεκίνησε να δημιουργήσει έναν αξιόπιστο AI-powered strain sensor που θα μπορούσε να μιμηθεί τους φυσικούς του ομότιμους, επιτρέποντας στο ρομπότ να «αισθάνεται» το περιβάλλον και τις συνθήκες του, προσαρμόζοντας ανάλογα.

Σχεδιασμός Φτερούς

Η ομάδα αντλήθηκε από ένα από τα πιο ευκίνητα πτηνά της φύσης, το κυκνοπτερύγιο. Αποφάσισε να δημιουργήσει φτερά που μιμούνται το κυκνοπτερύγιο με παρόμοια δομή με τα οστά του πουλιού. Οι άξονες στενεύουν στα άκρα και λειτουργούν ως φλεβές των φτερών, προσθέτοντας ένα επιπλέον επίπεδο σταθερότητας στη δομή του φτερού.

Αυτά τα ευέλικτα φτερά εκτυπώθηκαν τρισδιάστατα χρησιμοποιώντας έναν εκτυπωτή 3D με διπλό ακροφύσιο και τεχνολογία fused deposition modeling. Αυτή η προσέγγιση επέτρεψε στην ομάδα να εκτυπώσει με πολυεστέρα πάχος 12,5 μm και πολυαιθυλένιο τερεφθαλικού ενισχυμένο με ανθρακόνυχο. Η προσέγγιση αυτή παρείχε τα χαρακτηριστικά ενός φυσικού φτερού που μπορεί να λυγίζει και να κινείται κατά μήκος της διαδρομής του.

Ελεύθερη Κίνηση

Συγκεκριμένα, το φτερό μπορούσε να ανοίγει ελεύθερα μέχρι γωνία ±23°. Το φτερό επίσης στρέφεται κατά μήκος του πρόσθιου άκρου σε κάθε κούνημα. Αυτή η κίνηση παρείχε επιπλέον δύναμη μεγιστοποιώντας τη δύναμη ανύψωσης, παρόμοια με τα έντομα. Οι μηχανικοί όρισαν το πλάτος κούνησης των φτερών σε 158°, και η συχνότητα κούνησης ρυθμίστηκε σε ≈12 Hz για τα πειράματα.

Πηγή – Advanced Intelligent Systems

AI-Powered Strain Receptors

Η ομάδα ενσωμάτωσε διατάξεις μέτρησης παραμόρφωσης στη δομή του φτερού που μοιάζει με κυκνοπτερύγιο. Συγκεκριμένα, επτά εμπορικά διαθέσιμες, χαμηλού κόστους, αισθητήρες παραμόρφωσης με βάσεις πλάτους και μήκους 1,4 και 4,2 mm κόλλησαν σε συγκεκριμένες θέσεις στα δοκιμαστικά φτερά. Αυτοί οι αισθητήρες χρησιμοποιήθηκαν για τη μέτρηση της πίεσης και της παραμόρφωσης του φτερού σε επτά διαφορετικές κατευθύνσεις ανέμου. Οι κατευθύνσεις που χρησιμοποιήθηκαν περιλάμβαναν 0°, 15°, 30°, 45°, 60°, 75° και 90°.

Κινητήρας

Για να κουνηθούν τα φτερά, συνδέθηκε ένας κινητήρας DC. Ο κινητήρας χρησιμοποίησε μηχανισμό Scotch yoke και μειωτικά γρανάζια για να παρέχει ρεαλιστικές κινήσεις κούνησης. Η συσκευή ρυθμίστηκε σε 12 κύκλους ανά δευτερόλεπτο, και τα αισθητήρια καλώδια πέρασαν μέσω συνδετήρων στα φτερά προς έναν καταχωρητή δεδομένων. Σημειωτέον, οι μηχανικοί χρησιμοποίησαν συσκευή TEXIO TECHNOLOGY με σταθερή τροφοδοσία τάσης για να εξασφαλίσουν ομοιομορφία και μετρήσιμότητα.

AI-Powered Strain Receptors Μοντέλο Συνελικτικού Νευρωνικού Δικτύου

Ένα από τα κύρια στοιχεία του πειράματος ήταν η χρήση ενός συνελικτικού νευρωνικού δικτύου. Αυτό το μοντέλο επέτρεψε στους ερευνητές να καταγράψουν, ταξινομήσουν και εκπαιδεύσουν έναν ελεγκτή πτήσης που μπορούσε να κάνει προσαρμογές σε πραγματικό χρόνο χρησιμοποιώντας δεδομένα που συλλέχθηκαν από τους αισθητήρες παραμόρφωσης και συγκρίθηκαν με το μοντέλο CNN.

Τα δεδομένα παρακολούθησης παραμόρφωσης επιτρέπουν στον αλγόριθμο μηχανικής μάθησης να ταξινομεί τις συνθήκες ανέμου με ακρίβεια. Στο πλαίσιο της εκπαίδευσης, τα δεδομένα του αισθητήρα λήφθηκαν για να προσομοιώσουν πτήση αιώρησης σε αεροδυναμικό τούνελ. Σημειωτέον, λήφθηκαν 720 σύνολα δεδομένων παραμόρφωσης και φάσης για κάθε συνθήκη ανέμου. Αυτά τα δεδομένα διασπάστηκαν σε μεμονωμένα κούνημα του φτερού.

Δοκιμή AI-Powered Strain Receptors  Test

Η ομάδα ξεκίνησε τη φάση δοκιμών καταγράφοντας τα δεδομένα των αισθητήρων των φτερών χωρίς άνεμο. Η έλλειψη ροής αέρα επέτρεψε στους αισθητήρες να μηδενίσουν και να κάνουν ακριβείς συγκρίσεις καθώς οι συνθήκες βελτιώνονταν. Επίσης, η ομάδα εξέτασε τρία διαφορετικά φτερά με τα ίδια δεδομένα διατάξεων παραμόρφωσης και σύγκρινε τα αποτελέσματα.

Αεροδυναμικό Τούνελ

Το αεροδυναμικό τούνελ ήταν κρίσιμο μέρος αυτών των πειραμάτων. Επέτρεψε στην ομάδα να προσομοιώσει πτήση αιώρησης υπό ήπιες έως σκληρές συνθήκες ανέμου. Συγκεκριμένα, χρησιμοποιήθηκαν οκτώ εναλλασσόμενες συνθήκες ανέμου στη φάση δοκιμών. Κάθε συνθήκη είχε 3 μετρήσεις που λήφθηκαν κατά τη διάρκεια ενός μοναδικού κύκλου κούνησης.

Αποτελέσματα Δοκιμής AI-Powered Strain Receptors

Τα αποτελέσματα της μελέτης ήταν εντυπωσιακά. Η ομάδα μπόρεσε να προσδιορίσει τις συνθήκες ανέμου με ακρίβεια 99%. Εντυπωσιακά, η προσδιορισμός χρειάστηκε μόνο ένα κούνημα και σε ορισμένες περιπτώσεις, μόλις 0,2 κύκλου κούνησης παρείχε πολύ ακριβή αποτελέσματα. Επιπλέον, η μελέτη διαπίστωσε ότι οι αισθητήρες που βρίσκονταν πιο κοντά στους άξονες των φτερών παρείχαν τα πιο γρήγορα αποτελέσματα.

Ο Χρόνος Κύκλου Έχει Σημασία

Ο χρόνος κύκλου κάθε μέτρησης έκανε μεγάλη διαφορά στα αποτελέσματα. Η ομάδα παρατήρησε ότι κάτω από 0,2 κύκλους, η αξιοπιστία των δεδομένων μειώθηκε απότομα. Ωστόσο, στα 0,2, οι αισθητήρες πέτυχαν ακρίβεια 85%. Αυτή η ακρίβεια μπορεί να βελτιωθεί ή να μειωθεί ανάλογα με τον αριθμό των αισθητήρων στο φτέρωμα.

Οι Βιομιμητικές Δομές Άξονα Φτερού Βελτιώνουν τα Αποτελέσματα των AI-Powered Strain Receptors

Οι δοκιμές διαπίστωσαν ότι η δομή του άξονα του φτερού παίζει ζωτικό ρόλο στην ανάκτηση δεδομένων και στην ακρίβεια. Ως εκ τούτου, τα δομημένα φτερά που δοκιμάστηκαν μπορούσαν να προσδιορίσουν τις συνθήκες ανέμου πολύ πιο γρήγορα από ένα μη δομημένο αντικείμενο δοκιμής. Αυτή η ανακάλυψη οδήγησε τους μηχανικούς να καταλήξουν στο συμπέρασμα ότι η ενίσχυση της δομής του φτερού και η τοποθέτηση των αισθητήρων μπορεί να προσφέρει ακόμη μεγαλύτερη ακρίβεια στο μέλλον.

Οφέλη των AI-Powered Strain Receptors

Υπάρχει μια μακριά λίστα οφελών που φέρνει αυτή η μελέτη στην αγορά. Κατ’ αρχάς, παρείχε στους μηχανικούς ρομπότ μια απλή δυνατότητα μέτρησης παραμόρφωσης φτερού που βασίζεται σε εμπορικά διαθέσιμα, έτοιμα και προσιτά εξαρτήματα. Αυτές οι χαμηλού κόστους και χαμηλής κατανάλωσης ενέργειας συσκευές ενσωματώνονται εύκολα σε ιπτάμενα ρομπότ χωρίς την ανάγκη σημαντικών αλλαγών.

Ευκινησία

Η ευκινησία που επιτυγχάνουν οι μέλισσες είναι σχεδόν εξωπραγματική. Αυτά τα πτερωτά ζώα μπορούν να σταματήσουν γρήγορα, να αιωρούνται και να αλλάζουν κατεύθυνση χωρίς μεγάλη καταπόνηση. Οι επιστήμονες ελπίζουν να δημιουργήσουν drones με τις ίδιες δυνατότητες, επιτρέποντας ένα νέο επίπεδο ενσωμάτωσης.

Προσαρμοστικότητα

Κανείς δεν μπορεί να προβλέψει πώς θα φυσάει ο άνεμος συνεχώς. Ωστόσο, η αισθητηριακή είσοδος των δοκιμασμένων φτερών μπορεί να αναγνωρίζει άμεσα τις συνθήκες ροής χωρίς τη βοήθεια επιπλέον συσκευών. Αυτά τα δεδομένα μπορούν να χρησιμοποιηθούν για τη βελτίωση της περιβαλλοντικής συνείδησης, παρέχοντας καλύτερο έλεγχο και γρήγορη κωδικοποίηση πληροφοριών βάσει των περιβαλλοντικών συνθηκών.

Απλή Προσέγγιση

Ένα ακόμη σημαντικό όφελος των φτερών που κουνιούνται σε σύγκριση με άλλες τεχνολογίες αιώρησης είναι η απλότητα. Τα hovercraft απαιτούν πολύ ροή αέρα και μπορούν να φτάσουν μόνο σε συγκεκριμένο ύψος. Αντίθετα, τα ελικόπτερα είναι εξαιρετικά πολύπλοκα, απαιτώντας χιλιάδες κινούμενα μέρη που πρέπει να ρυθμιστούν τέλεια για να επιτύχουν κατάσταση αιώρησης. Η πρόσφατη αυτή μελέτη θα μπορούσε να καταστήσει δυνατή την τρισδιάστατη εκτύπωση φτερών οχημάτων που είναι ικανά σε σταθερή αιώρηση και γρήγορες αλλαγές κατεύθυνσης χωρίς χιλιάδες κινούμενα και πολύπλοκα μέρη.

Περιστάσεις Χρήσης AI-Powered Strain Receptors

Υπάρχουν αρκετές περιπτώσεις χρήσης για ρομπότ με φτερούγες κούνησης. Αυτές οι συσκευές θα μπορούσαν να βοηθήσουν στην πρόσβαση σε δύσκολα προσβάσιμες τοποθεσίες ή να παρέχουν ομαλή σάρωση φυσικών καταστροφών ή πολεμικών ζωνών. Τα μικρά ρομπότ αεροπορίας αντιμετωπίζουν σήμερα σοβαρούς περιορισμούς σε βάρος και μέγεθος. Η χρήση φτερών κούνησης θα μπορούσε να ενισχύσει το φορτίο τους μειώνοντας το βάρος που απαιτείται για τα εξαρτήματα πτήσης.

Ερευνητές AI-Powered Strain Receptors

Αυτή η μελέτη προωθήθηκε από ερευνητές του Ινστιτούτου Επιστήμης του Τόκιο. Η έκθεση ηγήθηκε από τον Αναπληρωτή Καθηγητή Hiroto Tanaka και περιελάμβανε έργο του Hiroto Tanaka. Επιπλέον, ο Tomoya Fujii συνέβαλε στον σχεδιασμό των φτερών. Σημειωτέον, οι ερευνητές έλαβαν υποστήριξη από το JSPS KAKENHI Grant-in-Aid for Scientific Research on Innovative Areas «Science of Soft Robots» με αριθμό επιδότησης JP18H05468.

Εταιρείες που Θα Μπορούσαν να Ωφεληθούν από τα AI Powered Strain Receptors

Η δυνατότητα να προσδιορίζονται με ακρίβεια και γρήγορα οι συνθήκες ανέμου είναι μια επιλογή που πολλές εταιρείες θα μπορούσαν να χρησιμοποιήσουν για να βελτιώσουν τις προσφορές τους. Η χρήση αυτών των αισθητήρων σε ρομπότ με φτερούγες κούνησης ανοίγει το δρόμο για κατασκευαστές drones να επεκτείνουν αυτήν την τεχνολογία και να δημιουργήσουν πιο ευκίνητες και μοναδικές επιλογές. Εδώ είναι μια εταιρεία που μπορεί να υλοποιήσει το έργο τους στους επόμενους μήνες.

Kratos Defense & Security Solutions Inc

Η Kratos Defense & Security Solutions Inc (KTOS ) εισήλθε αρχικά στην αγορά το 1994 ως πάροχος τηλεπικοινωνιακής υποδομής πριν μεταβάλει την αποστολή και τους στόχους της προς την κατασκευή drones. Η εταιρεία εδρεύει στο Σαν Ντιέγκο, Καλιφόρνια.

Το 2004, η Kratos Defense & Security Solutions Inc. άρχισε να πραγματοποιεί υψηλού επιπέδου εξαγορές στην αγορά. Αυτές οι εξαγορές παρείχαν στην εταιρεία πρόσβαση σε προηγμένες τεχνολογίες και οδήγησαν στην αλλαγή του ονόματος και της συνολικής εστίασής της προς τις τεχνολογίες αμυντικού στρατού.

Σήμερα, η Kratos αναγνωρίζεται ως κορυφαίος πάροχος στρατιωτικών drones και λογισμικού. Η μετοχή της εταιρείας, KTOS, έχει δει σταθερή ανάπτυξη κατά τη διάρκεια του έτους, λόγω διαφόρων παραγόντων, όπως η συνεχής καινοτομία στα προϊόντα της, σε συνδυασμό με την αυξανόμενη ζήτηση για αυτοματοποιημένα και AI-powered drones πολέμου.

Οι βαθιές σχέσεις της Kratos Defense & Security Solutions Inc. με θεσμικούς επενδυτές, κυβερνήσεις και το αποδεδειγμένο ιστορικό της την καθιστούν την ιδανική εταιρεία για την ενσωμάτωση αυτής της τεχνολογίας τους επόμενους μήνες.

Το Μέλλον των AI-Powered Strain Receptors

Οι μηχανικοί πίσω από τη μελέτη των AI-powered strain sensors πιστεύουν ότι υπάρχει ακόμη πολύ δουλειά να γίνει για να εξασφαλιστεί ότι αυτή η τεχνολογία θα φτάσει στο αποκορύφωμά της. Προς το παρόν, ο τομέας των drones με φτερά είναι ακόμη μια νεαρή αγορά.

Ωστόσο, καθώς τα πλεονεκτήματα της πτήσης με φτερά, όπως η σταθερή αιώρηση και οι γρήγορες αλλαγές κατεύθυνσης, δημιουργούν μοναδικές ευκαιρίες, μπορείτε να αναμένετε να αυξηθεί η ζήτηση για αυτά τα ρομπότ. Συνεπώς, η ομάδα σκοπεύει να διεξάγει περαιτέρω μελέτες σε πιο σύνθετες συνθήκες ανέμου και συνδυασμούς διαφορετικών θέσεων αισθητήρων παραμόρφωσης προκειμένου να βελτιστοποιήσει το σχεδιασμό τους.

AI-Powered Strain Receptors – Καθιστώντας τα Φτερά Έξυπνα

Η εισαγωγή αξιόπιστων και προσιτών AI-powered strain receptors σε ρομπότ με φτερά σίγουρα θα ενισχύσει την απόδοση σε όλο το σύστημα. Αυτή η μελέτη φέρνει τη βιομηχανία ένα βήμα πιο κοντά στην μίμηση της φύσης και στην αποκάλυψη των αρχαίων μυστηρίων που περιβάλλουν την πτήση. Στους επόμενους μήνες, αυτή η μελέτη θα μπορούσε να οδηγήσει στη δημιουργία πολλών νέων και ικανών ρομπότ με φτερούγες κούνησης.

Μάθετε για άλλα ενδιαφέροντα έργα ρομποτικής εδώ.

Αναφορά Μελέτης:

^{1. Kubota, K., & Tanaka, H. (2024). Machine learning-based wind classification by wing deformation in biomimetic flapping robots: Biomimetic flexible structures improve wind sensing. Advanced Intelligent Systems, 6(11), 2400473. https://doi.org/10.1002/aisy.202400473}