Kosketuksen jäljittely edistyneen tekoälyn avulla – Onko se mahdollista?

Tulevaisuuden roboteilla voi olla ihmisen aisteihin verrattavia kykyjä. Jo nyt tekoälyalgoritmit mahdollistavat laitteiden näkemisen, haistamisen ja kuulemisen antureiden ja kehittyneiden laskentamenetelmien avulla. Yksi aisti on kuitenkin tähän asti tuottanut tutkijoille erityisiä vaikeuksia: tuntoaisti.

Stevens Institute of Technologyn tutkijaryhmä on nyt esitellyt uuden menetelmän kosketuksen jäljittelemiseen. Seuraavassa käydään läpi sen toimintaa ja mahdollisuuksia.

Tutkijat ovat pitkään pyrkineet jäljittelemään kosketusta robottijärjestelmien avulla. Robotilla, joka pystyy tuntemaan, olisi lukuisia käyttötapauksia. Kun yhä useammat ihmiset alkavat työskennellä näiden laitteiden rinnalla, kiinnostus robotteihin, jotka voivat ‘tuntea’, kasvaa. Insinöörit uskovat tämän aistin olevan ratkaiseva tehokkuuden, kykyjen ja työpaikan turvallisuuden parantamisessa.

Kuvittele robotti, joka tunnistaa törmänneensä sinuun ja reagoi tilanteeseen. Tämä kyky voisi vähentää ihmisten lähellä työskentelevien robottien riskejä sekä mahdollistaa entistä tarkemmat tehtävät, jotka aiemmin kuuluivat vain ihmisille.

Tutkimus kosketuksen jäljittelystä kehittyneen tekoälyn avulla

Tutkimus¹, joka julkaistiin lehdessä Applied Optics, osoittaa, miten tutkijat jäljittelivät kosketusta laserien ja tekoälyalgoritmin avulla. Tavoitteen saavuttamiseksi yhdistettiin tekoälyä ja kvanttiteknologiaa laboratoriokokeessa.

Kvanttivuorovaikutukset tuottavat runsaasti dataa tekoälymallien rakentamiseen ja kehittämiseen. Menetelmässä yhdistetään kehittynyt koneoppiminen, rasteriskannaava yksifotoninen LiDAR ja speckle-kohinan muodossa saatava palaute.

Pinnan skannaus yksittäisillä fotoneilla

Ryhmä rakensi rasteriskannaavan yksifotonisen LiDARin, jonka pulssien aikaväliä voitiin muuttaa. Näin pinnasta heijastuvat muutokset ja palaute voitiin tallentaa. Jokainen pinta taittaa valoa eri tavoin koostumuksensa mukaan. Tutkijat hyödynsivät tätä ominaisuutta kehittääkseen järjestelmän, joka kartoittaa pinnanmuodot nopeasti.

Algoritmiset tekoälymallit

Tekoäly skannaa ensin pinnan tutkimusryhmän laserilla ja tuottaa kohteesta yksityiskohtaisen kuvan. Kuvassa syntyy satunnaista speckle-kohinaa. Perinteisesti sitä on pidetty optisen kuvan häiriönä, joka heikentää tarkkuutta.

Tutkijat havaitsivat, että palaute oli muutakin kuin häiriötä. Se muodosti kullekin pinnalle sen karheuteen perustuvan yksilöllisen tunnisteen. Data syötettiin tekoälylle, joka määritti sen perusteella rakenteen mitat, korkeuden ja karheuden.

Lähde – Magicplan

Tutkijat skannasivat useita pintatyyppejä tekoälyalgoritmin opettamiseksi. Järjestelmä rekisteröi pinnan eri kohdista takaisinsironneita fotoneja. Data kerätään optiseen kuituun ja mitataan yksifotonidetektorilla. Laite erottaa speckle-kohinan muista häiriöistä, jolloin kohinaa voidaan hyödyntää pinnan sileyden määrittämiseen.

Kosketuksen jäljittelyn testi

Teorian testaamiseksi ryhmä rakensi yhden pikselin rasteriskannaavan, yksittäisiä fotoneja laskevan LiDAR-järjestelmän. Se soveltui tutkimukseen, koska sillä voitiin tuottaa kollimoitu lasersäde pikosekuntipulsseina ja saavuttaa tarkka mittausvaste.

Testikohteiksi valittiin 31 teollista hiekkapaperia, joiden ominaisuudet ja karheus vaihtelivat. Hiekkapaperien paksuus vaihteli artikkelin mukaan 1–100 mikrometrin välillä. Laser lähetti pulsseja lähetin-vastaanottimen kautta hiekkapaperiin, ja tekoäly analysoi takaisin heijastuneen valon ja häiriökuvion.

Kosketuksen jäljittelyn tutkimustulokset

Tulokset olivat lupaavia. Järjestelmän mittausvirhe oli aluksi 8 mikrometriä, mutta hienosäädön jälkeen se pieneni 4 mikrometriin. Tämä vastaa alan johtavien ratkaisujen tarkkuutta.

Järjestelmä näytti toimivan parhaiten hienorakeisilla pinnoilla eikä erittäin karkeilla pinnoilla. Hiekkapaperien pintarakenteen tarkka määrittäminen onnistui melko helposti, mikä avaa teknologialle mahdollisuuksia teollisuudessa.

Kosketuksen jäljittelyn tutkimuksen hyödyt

Tutkimus voi hyödyttää monia toimialoja. Menetelmä voisi tuottaa huomattavia kustannussäästöjä nykyisiin järjestelmiin verrattuna. Tekoälyn parempi tarkkuus voisi myös vähentää henkilöstötarvetta ja yleiskustannuksia sekä parantaa yritysten kannattavuutta.

Nopea pintakartoitus

Toinen etu on pinnan skannausnopeus. Laserin tarvitsee skannata pintaa vain hetken ennen tuloksen muodostamista. Menetelmä on siten nopeampi ja vaatii vähemmän työtä, jolloin valmistajat voivat tehdä enemmän mittauksia ja säästää kustannuksissa.

Edullinen integrointi

Menetelmä tarjoaa myös mahdollisuuden edulliseen käyttöönottoon. LiDARia käytetään monissa tapauksissa tärkeiden osien rakenteellisen eheyden arviointiin. Uusi järjestelmä voisi parantaa nykyisiä LiDAR-laitteita ja mahdollistaa mikrometriluokan mittaukset.

Laadunvalvonta

Uusi pintaskannausmenetelmä voi parantaa monimutkaisten ja tarkkuutta vaativien osien laadunvalvontaa. Insinöörit ovat pitkään käyttäneet mittausjärjestelmiä varmistaakseen, ettei esimerkiksi lentokoneiden tärkeissä osissa ole vakaviin ongelmiin johtavia vikoja.

Parannettu lajittelu

Lajitteluroboteille on jo suuri kysyntä ympäri maailmaa. Uusi aisti voisi auttaa niitä arvioimaan tuotteiden ominaisuuksia ja lajittelutarpeita. Esimerkiksi tuntoaistia jäljittelevä robottikäsi voisi arvioida hedelmän kypsyyttä sen kiinteyden perusteella.

Kosketuksen jäljittelyn tutkijat

Stevens Institute of Technologyn insinöörit johtivat laserpintakartoitusjärjestelmän tutkimusta yhteistyössä CQSE:n johtajan Yuping Huangin kanssa. Myös Daniel Tafone ja Luke McEvoy osallistuivat hankkeeseen.

Mahdolliset sovellukset

Teknologialla on monia käyttökohteita. LiDAR on jo tärkeä turvallisuuden varmistamisessa. Tutkimus parantaa sen valmiuksia ja voi mahdollistaa tärkeiden komponenttien uudenlaisen reaaliaikaisen seurannan.

Terveydenhuolto

Terveydenhuollossa on kasvavaa kysyntää roboteille, jotka voivat aistia kosketuksen ihmisen tavoin. Yksi mahdollinen sovellus olisi luomien skannaus melanooman havaitsemiseksi. Laseriin perustuva algoritmi voisi tunnistaa pienet erot vaarattoman ja mahdollisesti vaarallisen luomen välillä ja auttaa pelastamaan potilaiden henkiä.

LiDARin parantaminen

LiDARia käytetään älyautoissa, roboteissa, älypuhelimissa ja muissa tuotteissa ympäristön havainnointiin. Myös monet robotti-imurit käyttävät sitä esteiden välttämiseen. Uusi teknologia voisi auttaa mikrorobotteja liikkumaan esimerkiksi ihmiskehossa ja toimittamaan hoitoa suoraan oikeaan paikkaan.

Yritys, joka voi hyötyä tästä tutkimuksesta

Useat robotiikkayritykset voisivat hyödyntää teknologiaa. Robotiikka kasvaa nopeasti ja ulottuu lähes kaikille toimialoille. Leikkauksista hedelmien poimintaan käytettävät laitteet voisivat saada merkittäviä lisäkykyjä tuntoaistia jäljittelevästä järjestelmästä.

Samsara 

Samsara (IOT ) on sanfranciscolainen esineiden internetiin (IoT) keskittyvä yritys. Sanjit Biswas ja John Bicket perustivat sen vuonna 2015 tarjotakseen yrityksille tehokkaita keinoja seurata ja valvoa logistiikkaa. Tuotevalikoimaan kuuluvat tekoälyä hyödyntävät kojelautakamerat, reittien optimointi, laitteiden seuranta, kohteiden valvonta ja telematiikka.

Samsara on merkittävä toimija IoT-markkinoilla. IoT-laitteet ovat verkkoyhteydellä ja antureilla varustettuja älylaitteita, jotka voivat välittää dataa. Maailmanlaajuisesti niitä on jo miljardeja.

Samsara mahdollistaa yrityksille näiden laitteiden integroinnin logistiikkaan tulosten, tehokkuuden ja turvallisuuden parantamiseksi. IoT‑laitteita voidaan käyttää tuotteiden reaaliaikaiseen valvontaan, mukaan lukien niiden kunto, aitous, sijainti ja paljon muuta.

Analyytikot pitävät Samsaran asemaa hyvänä IoT-alan kasvaessa. Yrityksen markkina-arvo on 30,433 miljardia dollaria, ja sillä on alan suurten toimijoiden tuki. Artikkelin mukaan osake kuului tänä vuonna Harvardin yliopiston tärkeimpiin osakevalintoihin, mikä vahvisti sijoittajien luottamusta.

Muita tapoja jäljitellä ihmisen aisteja

Robottien tuntoaistin kehityksessä erottuu kaksi lähestymistapaa. Laitteistopohjaiset ratkaisut mittaavat esimerkiksi painetta ja lämpöä, kun taas ohjelmistopohjaiset ratkaisut hyödyntävät palautetta analysoivia algoritmeja. Seuraavassa esitellään muita tutkimuksessa kehitettyjä menetelmiä.

Korkean suorituskyvyn keraamit

Tuore tutkimus osoittaa, miten mikrokeraamisia hiukkasia voidaan upottaa joustavaan, ihonkaltaiseen kerrokseen lämmön ja paineen rekisteröimiseksi. Pienet hiukkaset välittävät sähköisiä pulsseja joustavalla pinnalla.

Tutkimuksessa kehitettiin robotti-ihon osia, jotka tunnistivat kosketuksen ja sen päättymisen. Tämän jälkeen rakennettiin älyproteesi, jonka käyttäjä voisi tuntea pintoja ja reagoida niihin. Robotti-iho tunnisti pulssien avulla hyvin pienetkin paineen muutokset.

Keinotekoiset hermot

Toinen läpimurto tapahtui lokakuussa, kun Stanfordin yliopiston Zhenan Baon tutkimusryhmä loi keinotekoisen hermon. Sen tarkoituksena on toimia ihmishermon tavoin ja auttaa robotteja reagoimaan kosketukseen.

Järjestelmässä on kolme pääosaa: resistiivisinä paineantureina toimivat mekanoreseptorit, hermosolujen kaltaisesti toimivat orgaaniset rengasoskillaattorit ja järjestelmän toimintaa mahdollistavat orgaaniset sähkökemialliset transistorit.

Robotin neule

Carnegie Mellon University esitteli Robot Sweater -neuleen, joka voi parantaa teollisuusrobottien turvallisuutta. Nykyiset turvajärjestelmät edellyttävät usein jäykkiä lisäosia. Niillä ei voida peittää robottia kokonaan, sillä liikkuvien osien on säilyttävä joustavina. Siksi tutkijat kehittivät neulemaisen suojan.

Robot Sweater on koneellisesti neulottu päällys, joka voidaan sovittaa mihin tahansa kolmiulotteiseen muotoon. Se voi suojata sekä robottia että sen lähellä työskenteleviä ihmisiä. Pinnassa on kaksi metallikuitukerrosta. Ihmisen kosketus sulkee virtapiirin, jolloin robotti saa tiedon tapahtumasta ja voi reagoida.

Kosketusta aistivien robottien tulevaisuus

Tuntoaistia jäljittelevät robotit voivat helpottaa ihmisten ja robottien yhteistä työskentelyä. Ne voivat parantaa turvallisuutta, säästää kustannuksia ja ratkaista pitkään jatkuneita ongelmia eri aloilla. Siksi niiden kysynnän odotetaan kasvavan tulevina vuosina, ja työpaikoille voi tulla lisää robottityökavereita.

Tutustu muihin hienoihin robotiikkaprojekteihin nyt.

Tutkimusviite:

^{1. Tafone, D., McEvoy, L., Sua, Y. M., & Huang, Y.-P. (2024). Pinnan karheuden metrologia rasteriskannaavalla yksittäisfoton LiDARilla. Applied Optics, 63(30), 7917–7923. https://doi.org/10.1364/AO.537404}