Αεροπορικοί Ρομπότ να Απολαύσουν τα Οφέλη από τους AI-Ενισχυμένους Δεχτές Strain

Η τεχνητή νοημοσύνη συνεχίζει να παρέχει καινοτομίες σε ολόκληρη την αεροναυπηγική και τη βιομηχανία ρομποτικής. Πρόσφατες εξελίξεις που αφορούν ενσωματωμένους AI-ενισχυμένους δέκτες strain θα μπορούσαν να κάνουν δυνατή τη δημιουργία πιο ευέλικτων και ελαφριών επιλογών τα επόμενα χρόνια. Εδώ είναι όλα όσα πρέπει να γνωρίζετε.

Από την αυγή του χρόνου, ο άνθρωπος έχει κοιτάξει τη φύση για να αποκτήσει μια καλύτερη κατανόηση της πτήσης. Ωστόσο, η δημιουργία ρομπότ που χτυπούν τις πτέρυγές τους για να πετάξουν έχει αποδειχθεί πολύ πιο δύσκολη από τα παραδοσιακά αεροσκάφη. Δυστυχώς, αυτή η κατάσταση έχει αφήσει τους αεροπορικούς ρομπότ χωρίς ορισμένες βασικές ικανότητες που έχουν οι φυσικοί ομόλογοί τους, όπως η γρήγορη μετατροπή μεταξύ στάθμης και βελτιστοποιημένης πτήσης. Ευτυχώς, αυτή η κατάσταση μπορεί να αλλάξει.

Ρομπότ Πτήσης με Πτέρυγες που Χτυπούν

Σήμερα, οι αεροπορικοί ρομπότ είναι διαδεδομένοι σε πολλαπλά τμήματα, και η επιρροή, οι ικανότητες και η διαθεσιμότητά τους αυξάνονται. Οι άνθρωποι συχνά σκέφτονται μόνο προπέλες και πτέρυγες όταν συζητούν για αεροπορική ρομποτική. Ωστόσο, υπάρχουν πολλές άλλες επιλογές που μπορεί να μην λαμβάνονται υπόψη, αλλά σίγουρα έχουν μοναδικά πλεονεκτήματα που τις κάνουν να ξεχωρίζουν.

Πτέρυγες που Χτυπούν

Οι πτέρυγες που χτυπούν προσφέρουν το καλύτερο από τα δύο κόσμους. Επιτρέπουν στα πουλιά να κερδίσουν γρήγορα κατακόρυφη άνωση και να σταθεροποιηθούν για να οδηγήσουν σε μεγάλες αποστάσεις. Τα έντομα με πτέρυγες μπορούν να στέκονται και να αλλάζουν κατεύθυνση γρήγορα. Σκεφτείτε πώς μια μέλισσα ή ένας κολοκύθας κινείται γύρω από μια περιοχή, ή πώς μια πεταλούδα θα κυκλοφορήσει γύρω από μια λάμπα.

Μέχρι σήμερα, έχουν υπάρξει ορισμένες σημαντικές προόδους στο σχεδιασμό ρομπότ με πτέρυγες που χτυπούν. Ωστόσο, οι ελεγκτές πτήσης που χρειάζονται για να κάνουν αυτά τα σκάφη να λειτουργούν αξιόπιστα σε μεταβαλλόμενες συνθήκες και όχι σε ένα εργαστήριο έχει αποδειχθεί δύσκολο να δημιουργηθεί. Ωστόσο, αυτά τα σχέδια εξακολουθούν να συλλαμβάνουν την φαντασία των dévelopers και δημιουργών, με την ταινία Dune να παρουσιάζει πρόσφατα ένα Ornithopter που βασίζεται σε πτέρυγες που χτυπούν που μοιάζουν με μια libelula.

Source – Fandom

Μελέτη AI-Ενισχυμένων Δεχτών Strain

Μια πρόσφατη μελέτη, “Machine Learning-Based Wind Classification by Wing Deformation in Biomimetic Flapping Robots: Biomimetic Flexible Structures Improve Wind Sensing,” 1 βασίζεται σε φυσική έμπνευση για να βελτιώσει τις ικανότητες των ρομπότ με πτέρυγες που χτυπούν. Συγκεκριμένα, οι ερευνητές εξέτασαν πολλά ζώα για να καθορίσουν πώς οι αισθήσεις τους τους επιτρέπουν να βελτιστοποιούν τις πτητικές τους μονοπάτιες ακριβώς.

AI-Ενισχυμένοι Δέκτες Strain Λαμβάνουν Φυσική Έμπνευση.

Η ομάδα παρατήρησε ότι όλα τα πουλιά και τα έντομα με πτέρυγες που χτυπούν έχουν κάποιου είδους αισθητήριο όργανο τοποθετημένο στις πτέρυγές τους. Υποστήριξαν ότι αυτό το όργανο κάνει διαφορετικά καθήκοντα σε διαφορετικά ζώα, τα οποία τους επιτρέπουν να διορθώσουν τις πτητικές τους ιδιότητες για να βελτιώσουν τα αποτελέσματά τους. Η ομάδα παρατήρησε ότι τα γρассοπτέρα είχαν δέκτες strain τοποθετημένους στις φλέβες των πτερύγων τους. Ενώ πολλά πουλιά, όπως τα κοτόπουλα, έχουν αισθητήρες κοντά στις θύλακες των φτερών τους.

Μέχρι αυτή τη μελέτη, μικρή κατανόηση υπήρχε για το τι δεδομένα παρείχαν αυτοί οι αισθητήρες στο ζώο. Ωστόσο, οι ερευνητές κατέληξαν στο συμπέρασμα ότι οι αισθητηριακές πληροφορίες επέτρεψαν στα ζώα να ανιχνεύσουν τον άνεμο, τις κινήσεις του σώματος και τις μεταβαλλόμενες περιβαλλοντικές συνθήκες σε πραγματικό χρόνο. Επιδιώκοντας να δώσουν στους ρομπότ τις ίδιες ικανότητες, η ομάδα ξεκίνησε να δημιουργήσει einen αξιόπιστο AI-ενισχυμένο αισθητήρα strain που θα μπορούσε να μιμηθεί τους φυσικούς ομολόγους του, επιτρέποντας στον ρομπότ να “αισθανθεί” το περιβάλλον και τις συνθήκες,調整οντας ανάλογα.

Σχεδιασμός Πτέρυγας

Η ομάδα έλαβε έμπνευση από έναν από τους πιο ευέλικτους ιπτάμενους, τον κολοκύθα. Ξεκίνησαν να δημιουργήσουν πτέρυγες που μοιάζουν με κολοκύθα, με μια παρόμοια δομή με τα οστά που βρίσκονται στο πουλί. Οι άξονες στενεύουν στα άκρα και λειτουργούν ως φλέβες πτέρυγας, προσθέτοντας ένα επιπλέον επίπεδο σταθερότητας στη δομή της πτέρυγας.

Αυτές οι εύκαμπτες πτέρυγες were 3D εκτυπωμένες χρησιμοποιώντας einen dual-nozzle fused deposition modeling 3D εκτυπωτή. Αυτή η προσέγγιση επέτρεψε στην ομάδα να εκτυπώσει χρησιμοποιώντας einen 12,5 μm-παχύ copolyester πολυμερές και carbon-ινοπυρήνα polyethylene terephthalate. Αυτή η προσέγγιση παρείχε τις ιδιότητες μιας φυσικής πτέρυγας που θα μπορούσε να λυγίσει και να κινηθεί κατά μήκος του μονοπατιού της.

Ελεύθερη Κίνηση

Συγκεκριμένα, η πτέρυγα θα μπορούσε να κινηθεί ελεύθερα μέχρι einen γωνία ±23°. Η πτέρυγα θα στρίβει κατά μήκος της οπίσθιας ακμής κατά τη διάρκεια κάθε χτύπου. Αυτή η κίνηση παρείχε επιπλέον δύναμη μέσω της μεγιστοποίησης της άνωσης, παρόμοια με τα έντομα. Οι μηχανικοί ρύθμισαν την πτέρυγα να χτυπά με einen πλάτος 158°, και η συχνότητα χτύπου ρυθμίστηκε σε ≈12 Hz για τα πειράματα.

Source – Advanced Intelligent Systems

AI-Ενισχυμένοι Δέκτες Strain

Η ομάδα ενσωμάτωσε δέκτες strain μέσα στη δομή της πτέρυγας που μοιάζει με κολοκύθα. Συγκεκριμένα, επτά εμπορικοί, χαμηλού κόστους δέκτες strain με βάση πλάτος και μήκος 1,4 και 4,2 mm ήταν κολλημένοι σε συγκεκριμένες θέσεις στις πτέρυγες δοκιμής. Αυτοί οι αισθητήρες χρησιμοποιήθηκαν για να μετρήσουν την πίεση και την τάση της πτέρυγας σε επτά διαφορετικές κατευθύνσεις ανέμου. Οι κατευθύνσεις που χρησιμοποιήθηκαν περιελάμβαναν 0°, 15°, 30°, 45°, 60°, 75° και 90°.

Μοτέρ

Για να κάνουν τις πτέρυγες να χτυπούν, ένα DC μοτέρ ήταν συνδεμένο. Το μοτέρ χρησιμοποιούσε einen Scotch yoke μηχανισμό και αναγωγή για να παρέχει πραγματικές κινήσεις χτύπου. Η συσκευή была ρυθμισμένη σε 12 κύκλους ανά δευτερόλεπτο, και αισθητήριες σύρματα ήταν συνδεμένα με συνδετήρες στις πτέρυγες σε einen καταχωρητή δεδομένων. Χαρακτηριστικά, οι μηχανικοί χρησιμοποιούσαν eine TEXIO TECHNOLOGY συσκευή με σταθερή τάση τροφοδοσίας για να εξασφαλίσουν την ομοιομορφία και τη μετρησιμότητα.

AI-Ενισχυμένοι Δέκτες Strain Convolutional Neural Network Μοντέλο

Ένα από τα κύρια συστατικά του πειράματος ήταν η χρήση eines convolutional neural network. Αυτό το μοντέλο επέτρεψε στους ερευνητές να καταχωρήσουν, να ταξινομήσουν και να εκπαιδεύσουν einen ελεγκτή πτήσης που ήταν ικανός να κάνει προσαρμογές κατά την πτήση χρησιμοποιώντας δεδομένα που συλλέχθηκαν από τους αισθητήρες strain και αντιστοιχισμένα με το CNN μοντέλο.

Τα δεδομένα αισθητήρα strain επιτρέπουν στο αλγόριθμο μάθησης να ταξινομήσει τις συνθήκες ανέμου ακριβώς. Jako μέρος της εκπαίδευσης, τα δεδομένα του αισθητήρα συλλέχθηκαν για να μιμηθούν την πτήση στάθμης σε einen αεραγωγό. Χαρακτηριστικά, 720 δεδομένα strain και φάσης συλλέχθηκαν για κάθε συνθήκη ανέμου. Αυτά τα δεδομένα χωρίστηκαν σε μεμονωμένες κινήσεις της πτέρυγας.

AI-Ενισχυμένοι Δέκτες Strain Πειραματικό

Η ομάδα ξεκίνησε την φάση πειραματισμού καταχωρώντας τα δεδομένα του αισθητήρα με μηδενικό άνεμο. Η έλλειψη ροής αέρα επέτρεψε στους αισθητήρες να μηδενίσουν και να κάνουν ακριβείς συγκρίσεις καθώς οι συνθήκες ενισχύθηκαν. Επίσης, η ομάδα γεύτηκε τρεις διαφορετικές πτέρυγες με τα ίδια δεδομένα αισθητήρα strain και σύγκρινε τα αποτελέσματα.

Ein μαγνητικός rotary κωδικοποιητής χρησιμοποιήθηκε για να καταγράψει την κατάσταση της πτέρυγας ακριβώς κατά τη διάρκεια διαφορετικών συνθηκών. Η συσκευή sat trực tiếp πάνω από τις πτέρυγες, επιτρέποντας eine ανάλυση 0,703° κατά τη φάση χτύπου.

Αεραγωγός

Ο αεραγωγός ήταν ein κρίσιμο μέρος αυτών των πειραμάτων. Επέτρεψε στην ομάδα να симυλιрует την πτήση στάθμης υπό εύκολες έως δυσκολές συνθήκες ανέμου. Συγκεκριμένα, οκτώ εναλλασσόμενες συνθήκες ανέμου χρησιμοποιήθηκαν στη φάση πειραματισμού. Κάθε συνθήκη είχε 3 μετρήσεις που λήφθηκαν κατά τη διάρκεια eines単 Flap κύκλου.

AI-Ενισχυμένοι Δέκτες Strain Αποτελέσματα Πειραματισμού

Τα αποτελέσματα της μελέτης ήταν εντυπωσιακά. Η ομάδα ήταν ικανή να καθορίσει με 99% ακρίβεια τις συνθήκες ανέμου. Εντυπωσιακά, η καθορισμός χρειαζόταν μόνο einen χτύπο και σε ορισμένες περιπτώσεις, όσο ένα 0,2 χτύπου κύκλου παρείχε πολύ ακριβή αποτελέσματα. Επιπλέον, η μελέτη βρήκε ότι οι αισθητήρες που βρίσκονταν κοντά στις φλέβες της πτέρυγας παρείχαν τα γρηγορότερα αποτελέσματα.

Χρόνος Κύκλου Μattering

Ο χρόνος κύκλου κάθε μέτρησης έκανε eine μεγάλη διαφορά στα αποτελέσματα. Η ομάδα παρατήρησε ότι κάτω από 0,2 κύκλους, η αξιοπιστία των δεδομένων έπεσε απότομα. Ωστόσο, σε 0,2, οι αισθητήρες επιτύγχαναν eine ακρίβεια 85%. Αυτή η ακρίβεια θα μπορούσε να βελτιωθεί ή να μειωθεί με βάση τον αριθμό των αισθητήρων στην πτέρυγα.

Βιομιμητικά Δομές Άξονων Πτέρυγας Βελτιώνουν τα Αποτελέσματα των AI-Ενισχυμένων Δεχτών Strain

Το πειραματισμό βρήκε ότι η δομή της πτέρυγας играє einen κρίσιμο ρόλο στην ανάκτηση δεδομένων και την ακρίβεια. Jako takový, οι δομημένες πτέρυγες που δοκιμάστηκαν θα μπορούσαν να καθορίσουν τις συνθήκες ανέμου πολύ γρηγορότερα από einen μη δομημένο υποκείμενο. Αυτή η ανακάλυψη οδήγησε τους μηχανικούς να καθορίσουν ότι η βελτίωση της δομής της πτέρυγας και της τοποθέτησης του αισθητήρα θα μπορούσε να οδηγήσει σε ακόμη μεγαλύτερη ακρίβεια στο μέλλον.

Πλεονεκτήματα των AI-Ενισχυμένων Δεχτών Strain

Υπάρχει ein μεγάλο λίστα πλεονεκτημάτων που αυτή η μελέτη φέρνει στην αγορά. Για παράδειγμα, παρείχε στους μηχανικούς ρομπότ eine απλή ικανότητα αισθητήρα strain πτέρυγας που βασίζεται σε εμπορικά διαθέσιμα και προσιτά κομμάτια. Αυτά τα χαμηλού κόστους και χαμηλής κατανάλωσης ενέργειας συσκευές είναι εύκολα ενσωματωμένες σε ιπτάμενους ρομπότ χωρίς την ανάγκη να κάνουν οποιαδήποτε σημαντική αλλαγή.

Ευελιξία

Η ευελιξία που επιτυγχάνουν οι μέλισσες είναι σχεδόν υπερφυσική. Αυτά τα πτητικά ζώα μπορούν να σταματήσουν γρήγορα, να στέκονται και να αλλάζουν κατεύθυνση χωρίς πολλή προσπάθεια. Οι επιστήμονες ελπίζουν να δημιουργήσουν drones με τις ίδιες ικανότητες, επιτρέποντας einen νέο επίπεδο ολοκλήρωσης.

Προσαρμογή

Κανείς δεν μπορεί να σας πει ποια κατεύθυνση θα πάρει ο άνεμος κάθε φορά. Ωστόσο, η αισθητηριακή είσοδος των πτερύγων που δοκιμάστηκαν μπορεί να αναγνωρίσει直接 τις συνθήκες ροής χωρίς την βοήθεια οποιουδήποτε επιπλέον συσκευής. Αυτά τα δεδομένα μπορούν να χρησιμοποιηθούν για να βελτιώσουν την περιβαλλοντική ευαισθησία, παρέχοντας καλύτερο έλεγχο και γρήγορη κωδικοποίηση πληροφοριών με βάση τις περιβαλλοντικές συνθήκες.

Απλή Προσέγγιση

Ένα άλλο σημαντικό πλεονέκτημα των πτερύγων που χτυπούν σε σύγκριση με άλλες τεχνολογίες στάθμης είναι η απλότητα. Τα hovercraft απαιτούν πολλή ροή αέρα και μπορούν να φτάσουν μόνο σε eine bestimmte ύψος. Αντιθέτως, τα ελικόπτερα είναι εξαιρετικά σύνθετα, απαιτώντας χιλιάδες κινούμενα μέρη για να καλιμπραριστούν τέλεια για να επιτύχουν eine στάθμη. Αυτή η τελευταία μελέτη θα μπορούσε να κάνει δυνατή την 3D εκτύπωση των πτερύγων οχημάτων που είναι ικανά για σταθερή στάθμη και γρήγορες αλλαγές κατεύθυνσης χωρίς τόνους κινούμενων και περίπλοκων μερών.

Χρήσεις των AI-Ενισχυμένων Δεχτών Strain

Υπάρχουν πολλές χρήσεις για ρομπότ με πτέρυγες που χτυπούν. Αυτά τα σκάφη θα μπορούσαν να βοηθήσουν να φτάσουν σε δύσκολα προσιτά μέρη ή να παρέχουν ομαλή σάρωση φυσικών καταστροφών ή πολέμων. Τα μικρά αεροπορικά ρομπότ σήμερα υποφέρουν από σοβαρές hạn chế σε βάρος και μέγεθος. Η χρήση πτερύγων που χτυπούν θα μπορούσε να βελτιώσει το φορτίο τους μειώνοντας το βάρος που χρειάζεται για την аппаратουρας πτήσης.

Ερευνητές των AI-Ενισχυμένων Δεχτών Strain

Αυτή η μελέτη ήταν από ερευνητές στο Ινστιτούτο Επιστημών Τόκιο. Η αναφορά ήταν από τον Αναπληρωτή Καθηγητή Hiroto Tanaka και περιελάμβανε δουλειά από τον Hiroto Tanaka. Επιπλέον, ο Tomoya Fujii βοήθησε με το σχέδιο πτέρυγας. Χαρακτηριστικά, οι ερευνητές έλαβαν υποστήριξη από την JSPS KAKENHI Grant-in-Aid για Επιστημονική Έρευνα σε Καινοτόμες Περιοχές “Επιστήμη των Μαλακών Ρομπότ” υπό τον αριθμό χορήγησης JP18H05468.

Εταιρείες που θα μπορούσαν να ωφεληθούν από τους AI-Ενισχυμένους Δέκτες Strain

Η ικανότητα να καθορίσετε ακριβώς και γρήγορα τις συνθήκες ανέμου είναι eine επιλογή που πολλές εταιρείες θα μπορούσαν να χρησιμοποιήσουν για να βελτιώσουν τις προσφερόμενες υπηρεσίες. Η χρήση αυτών των αισθητήρων σε ρομπότ με πτέρυγες που χτυπούν ανοίγει την πόρτα για τους κατασκευαστές drones να επεκτείνουν αυτήν την τεχνολογία για να δημιουργήσουν πιο ευέλικτες και μοναδικές επιλογές. Εδώ είναι μια εταιρεία που θα μπορούσε να επιτύχει αυτόν τον στόχο τους επόμενους μήνες.

Kratos Defense & Security Solutions Inc

Kratos Defense & Security Solutions Inc (KTOS ) αρχικά εισήλθε στην αγορά το 1994 ως πάροχος τηλεπικοινωνιακών υποδομών πριν αλλάξει την αποστολή και τους στόχους της στην παραγωγή drones. Η εταιρεία έχει την έδρα της στο Σαν Ντιέγκο της Καλιφόρνιας.

Το 2004, η Kratos Defense & Security Solutions Inc. ξεκίνησε να κάνει υψηλού επιπέδου αγορές στην αγορά. Αυτές οι αγορές παρείχαν στην εταιρεία πρόσβαση σε προηγμένες τεχνολογίες και οδήγησαν την εταιρεία να αλλάξει το όνομά της και τον γενικό της στόχο στην αμυντική τεχνολογία.

Σήμερα, η Kratos αναγνωρίζεται ως ένας ηγέτης πάροχος στρατιωτικών drones και λογισμικού. Το μετοχικό της, KTOS, έχει δει σταθερή αύξηση κατά τη διάρκεια του έτους λόγω πολλών παραγόντων, συμπεριλαμβανομένης της συνεχούς καινοτομίας των προσφερόμενων υπηρεσιών της μαζί με την αυξανόμενη ζήτηση για αυτοματοποιημένα και AI-ενισχυμένα drones πολέμου.

Η Kratos Defense & Security Solutions Inc. έχει深ές συνδέσεις με θεσμικούς επενδυτές, κυβερνήσεις και έχει αποδείξει ένα αποδεικτικό ρεκόρ, καθιστώντας την την ιδανική εταιρεία για την ενσωμάτωση αυτής της τεχνολογίας τους επόμενους μήνες.

Μέλλον των AI-Ενισχυμένων Δεχτών Strain

Οι μηχανικοί πίσω από τη μελέτη των AI-ενισχυμένων αισθητήρων strain πιστεύουν ότι υπάρχει ακόμη πολύ δουλειά να γίνει για να διασφαλιστεί ότι αυτή η τεχνολογία φτάσει στο αποκορύφωμά της. Hiện, ο τομέας των ρομπότ με πτέρυγες που χτυπούν είναι ακόμη ένας νεαρός αγοράς.

Ωστόσο, καθώς τα πλεονεκτήματα της πτήσης πτερύγων, όπως η σταθερή στάθμη και οι γρήγορες αλλαγές κατεύθυνσης, δημιουργούν μοναδικές ευκαιρίες, μπορείτε να περιμένετε μεγαλύτερη ζήτηση για αυτά τα ρομπότ να εμφανιστεί. Jako takový, η ομάδα σκοπεύει να διεξάγει περαιτέρω μελέτες σε πιο σύνθετες συνθήκες ανέμου και συνδυασμούς διαφορετικών τοποθεσιών αισθητήρων strain για να βελτιώσει το σχέδιό της.

AI-Ενισχυμένοι Δέκτες Strain – Κάνουν τις Πτέρυγες Έξυπνες

Η εισαγωγή αξιόπιστων και προσιτών AI-ενισχυμένων δεχτών strain σε ρομπότ με πτέρυγες που χτυπούν είναι βέβαιο ότι θα βελτιώσει την απόδοση σε ολόκληρη την αγορά. Αυτή η μελέτη φέρνει τη βιομηχανία ένα βήμα πιο κοντά στο να μιμηθεί τη φύση και να ξεκλειδώσει αιώνιους μυστήρια που περιβάλλουν την πτήση. Τους επόμενους μήνες, αυτή η μελέτη θα μπορούσε να οδηγήσει στη δημιουργία πολλών νέων και ικανοποιητικών ρομπότ με πτέρυγες που χτυπούν.

Μάθετε για άλλα ωραία προγράμματα 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}