Luchtrobots Profiteren van AI-aangedreven Spanningsreceptoren

Kunstmatige intelligentie blijft innovaties leveren in de luchtvaart- en robotica-industrieën. Recente ontwikkelingen met geïntegreerde AI-aangedreven spanningsreceptoren kunnen het mogelijk maken om de komende jaren meer wendbare en lichtgewicht opties te creëren. Hier is alles wat u moet weten.

Sinds het begin der tijden heeft de mens naar de natuur gekeken om een beter begrip van de vlucht te krijgen. Het creëren van robots die met hun vleugels slaan om te vliegen is echter veel moeilijker gebleken dan traditionele gevleugelde voertuigen. Jammer genoeg heeft dit scenario luchtrobots beroofd van enkele cruciale capaciteiten die hun natuurlijke tegenhangers wel hebben, zoals het snel schakelen tussen zweven en geoptimaliseerde vlucht. Gelukkig staat dit scenario op het punt te veranderen.

Vleugelslag Luchtrobots

Tegenwoordig zijn luchtrobots wijdverspreid in verschillende sectoren, en hun invloed, mogelijkheden en beschikbaarheid nemen toe. Mensen denken vaak alleen aan propeller-aangedreven en gevleugelde voertuigen bij het bespreken van luchtrobotica. Er zijn echter verschillende andere opties die misschien minder aandacht krijgen, maar zeker unieke voordelen hebben die hen laten opvallen.

Vleugelslag

Vleugelslag biedt het beste van beide werelden. Ze stellen vogels in staat snel verticale lift te verkrijgen en te stabiliseren om over lange afstanden te zweven. Gevleugelde insecten kunnen zweven en snel van richting veranderen. Denk aan hoe een hommel of kolibrie door een gebied zoemt, of hoe een mot een lampje omcirkelt.

Tot nu toe zijn er enkele belangrijke vooruitgangen geboekt in het ontwerp van vleugelslag-robots. Het blijft echter moeilijk om vluchtcontrollers te ontwikkelen die deze voertuigen betrouwbaar laten werken onder veranderende omstandigheden in plaats van alleen in een laboratorium. Desondanks prikkelen deze ontwerpen de verbeelding van zowel ontwikkelaars als makers, waarbij de film Dune recentelijk een Ornithopter liet zien die vertrouwt op vleugelslag die lijkt op een libel.

Bron – Fandom

AI-aangedreven Spanningsreceptoren Studie

Een recente studie, “Machine Learning-Based Wind Classification by Wing Deformation in Biomimetic Flapping Robots: Biomimetic Flexible Structures Improve Wind Sensing,”¹ puttert op natuurlijke inspiratie om de mogelijkheden van vleugelslag-robots te verbeteren. Concreet onderzochten de onderzoekers verschillende wezens om te bepalen hoe hun zintuigen hen in staat stellen hun vluchtpatronen nauwkeurig te optimaliseren.

AI-aangedreven Spanningsreceptoren Nemen Natuurlijke Inspiratie.

Het team merkte op dat alle vleugelslagvogels en -insecten een soort sensororgaan in hun vleugels hebben. Ze veronderstelden dat dit orgaan verschillende taken uitvoert bij verschillende dieren, waardoor ze hun vluchtkenmerken kunnen corrigeren en hun resultaten verbeteren. Het team ontdekte dat sprinkhanen spanningsreceptoren in de aders van hun vleugels hebben, terwijl veel vogels, zoals kippen, sensoren nabij hun veerfolikels hebben.

Tot deze studie bestond er weinig begrip van welke gegevens deze sensoren precies aan het dier leverden. Onderzoekers concludeerden echter dat de sensorinformatie de dieren in staat stelde wind, lichaamsbewegingen en veranderende omgevingscondities in realtime te detecteren. Met het doel robots dezelfde mogelijkheden te geven, begon het team een betrouwbare AI-aangedreven spanningssensor te ontwikkelen die zijn natuurlijke tegenhangers kan nabootsen, waardoor de robot zijn omgeving en omstandigheden kan “voelen” en zich dienovereenkomstig kan aanpassen.

Vleugelontwerp

Het team liet zich inspireren door een van de meest wendbare vliegers in de natuur, de kolibrie. Ze gingen aan de slag om kolibrie-achtige vleugels te creëren die een vergelijkbare structuur hebben als de botten van de vogel. De assen lopen taps toe aan de uiteinden en fungeren als vleugeladers, waardoor een extra laag stabiliteit aan de vleugelstructuur wordt toegevoegd.

Deze flexibele vleugels werden 3D-geprint met behulp van een dual-nozzle fused deposition modeling 3D-printer. Deze aanpak stelde het team in staat te printen met een 12,5 μm dikke copolyesterpolymeer en koolstofvezelversterkte polyethyleentereftalaat. Deze methode leverde de eigenschappen van een natuurlijke vleugel die kan buigen en zich langs zijn traject kan bewegen.

Vrije Beweging

Specifiek kon het vleugel vrij bewegen tot een hoek van ±23°. Het vleugel draaide ook langs de voorrand tijdens elke slag. Deze beweging leverde extra kracht door de liftkracht te maximaliseren, vergelijkbaar met insecten. De ingenieurs stelden de slagamplitude van de vleugels in op 158°, en de slagfrequentie werd aangepast naar ≈12 Hz voor de experimenten.

Bron – Advanced Intelligent Systems

AI-aangedreven Spanningsreceptoren

Het team integreerde rekstrookjes in de kolibrie-achtige vleugelstructuur. Concreet werden zeven commercieel verkrijgbare, goedkope spanningsreceptoren met een basisbreedte en -lengte van respectievelijk 1,4 en 4,2 mm op specifieke locaties van de testvleugels geplakt. Deze sensoren werden vervolgens gebruikt om de druk en spanning van de vleugel te meten over zeven verschillende windrichtingen. De gebruikte richtingen waren 0°, 15°, 30°, 45°, 60°, 75° en 90°.

Motor

Om de vleugels te laten slaan, werd een DC-motor bevestigd. De motor maakte gebruik van een Scotch-yoke mechanisme en reductietandwielen om realistische slaggbewegingen te leveren. Het apparaat werd ingesteld op 12 cycli per seconde, en sensordraden werden via connectoren op de vleugels naar een gegevensregister geleid. Opmerkelijk is dat de ingenieurs een TEXIO TECHNOLOGY-apparaat gebruikten met een constante spanningsvoeding om uniformiteit en meetbaarheid te waarborgen.

AI-aangedreven Spanningsreceptoren Convolutioneel Neuraal Netwerk Model

Een van de belangrijkste componenten van het experiment was het gebruik van een convolutioneel neuraal netwerk. Dit model stelde onderzoekers in staat om een vluchtcontroller te registreren, classificeren en trainen die in staat was realtime aanpassingen te maken met behulp van gegevens die van de spanningssensoren werden verzameld en vergeleken met het CNN-model.

De spanningsmeetgegevens stellen het machine‑learning‑algoritme in staat windcondities nauwkeurig te classificeren. Als onderdeel van de training werden de sensorgegevens verkregen om zweefvlucht in een windtunnel te simuleren. Opmerkelijk is dat er 720 spannings‑ en fase‑datasets werden verkregen voor elke windconditie. Deze gegevens werden opgesplitst in individuele slagen van de vleugel.

AI-aangedreven Spanningsreceptoren Test

Het team begon de testfase door de sensorgegevens van de vleugels te registreren bij nul wind. Het ontbreken van luchtstroom stelde de sensoren in staat zich te nulstellen en nauwkeurige vergelijkingen te maken zodra de omstandigheden werden aangepast. Ook testte het team drie verschillende vleugels met dezelfde rekstrookgegevens en vergeleek de resultaten.

Er werd een magnetische roterende encoder gebruikt om de vleugelstatus nauwkeurig vast te leggen onder verschillende omstandigheden. Het apparaat lag direct bovenop de vleugels, waardoor een resolutie van 0,703° werd bereikt tijdens de slaggfase. Interessant genoeg startte het team het proces door een enkele rotatie van de encoder in te stellen op één slaggcyclus.

Windtunnel

De windtunnel was een cruciaal onderdeel van deze experimenten. Het stelde het team in staat zweefvlucht te simuleren onder zachte tot harde windcondities. Concreet werden acht wisselende windcondities gebruikt in de testfase. Voor elke conditie werden drie metingen uitgevoerd tijdens één slaggcyclus.

AI-aangedreven Spanningsreceptoren Testresultaten

De resultaten van de studie waren indrukwekkend. Het team kon de windcondities met 99 % nauwkeurigheid bepalen. Opmerkelijk is dat deze bepaling slechts één slag vergde en in sommige gevallen al een flaggcyclus van 0,2 voldoende was voor zeer nauwkeurige resultaten. Bovendien ontdekte de studie dat de sensoren die het dichtst bij de vleugelassen waren, de snelste resultaten leverden.

Cyclustijd is Belangrijk

De cyclustijd van elke meting had een grote invloed op de resultaten. Het team merkte op dat bij minder dan 0,2 cycli de betrouwbaarheid van de gegevens sterk daalde. Bij 0,2 cycli bereikten de sensoren echter een nauwkeurigheid van 85 %. Deze nauwkeurigheid kan worden verbeterd of verminderd afhankelijk van het aantal sensoren in de vleugel.

Biomimetische Vleugelasstructuren Verbeteren AI-aangedreven Spanningsreceptoren Resultaten

De tests toonden aan dat de structuur van de vleugelassen een cruciale rol speelt bij het ophalen van gegevens en de nauwkeurigheid. Hierdoor konden de geteste gestructureerde vleugels de windcondities veel sneller bepalen dan een niet-gestructureerd proefobject. Deze ontdekking leidde ingenieurs tot de conclusie dat het verbeteren van de vleugelstructuur en sensorplaatsing in de toekomst nog meer nauwkeurigheid kan opleveren.

AI-aangedreven Spanningsreceptoren Voordelen

Er is een lange lijst met voordelen die deze studie op de markt brengt. Ten eerste biedt het robotica‑ingenieurs een eenvoudige vleugelspanningsdetectie die gebaseerd is op commercieel verkrijgbare, kant‑en‑klare en betaalbare onderdelen. Deze goedkope en weinig energie verbruikende apparaten kunnen gemakkelijk in vliegende bots worden geïntegreerd zonder dat er grote aanpassingen nodig zijn.

Wendbaarheid

De wendbaarheid die hommels bereiken is bijna buitenaards. Deze gevleugelde dieren kunnen snel stoppen, zweven en van richting veranderen zonder veel inspanning. Wetenschappers hopen drones met dezelfde mogelijkheden te creëren, waardoor een nieuw niveau van integratie mogelijk wordt.

Aanpasbaarheid

Niemand kan u constant vertellen welke richting de wind op zal gaan. De sensorinput van de geteste vleugels kan echter direct stromingscondities herkennen zonder de hulp van extra apparaten. Deze gegevens kunnen worden gebruikt om het milieubewustzijn te verbeteren, waardoor betere controle en snelle informatiecodering op basis van omgevingscondities mogelijk wordt.

Eenvoudige Benadering

Een ander groot voordeel van vleugelslag ten opzichte van andere zweeftechnologieën is de eenvoud. Hovercrafts vereisen veel luchtstroom en kunnen slechts een bepaalde hoogte bereiken. Omgekeerd zijn helikopters enorm complex, met duizenden bewegende onderdelen die perfect moeten worden gekalibreerd om een zweefstand te bereiken. Deze nieuwste studie kan het mogelijk maken om voertuigvleugels te 3D-printen die in staat zijn tot stabiel zweven en snelle richtingsveranderingen zonder talloze bewegende en ingewikkelde onderdelen.

AI-aangedreven Spanningsreceptoren Toepassingsgevallen

Er zijn verschillende toepassingsgevallen voor robots met gevleugelde slagen. Deze apparaten kunnen helpen om moeilijk bereikbare locaties te bereiken of een soepele scanning van natuurrampen of oorlogsgebieden te bieden. Kleine luchtrobots hebben momenteel ernstige beperkingen in gewicht en grootte. Het gebruik van vleugelslag kan hun draagvermogen vergroten door het gewicht dat nodig is voor vluchtapparatuur te verminderen.

AI-aangedreven Spanningsreceptoren Onderzoekers

Deze studie werd uitgevoerd door onderzoekers van het Institute of Science Tokyo. Het rapport werd geleid door universitair hoofddocent Hiroto Tanaka en omvatte werk van Hiroto Tanaka. Daarnaast hielp Tomoya Fujii mee met het vleugelontwerp. Opmerkelijk is dat de onderzoekers steun kregen van de JSPS KAKENHI Grant-in-Aid for Scientific Research on Innovative Areas “Science of Soft Robots” onder grant nr. JP18H05468.

Bedrijven die kunnen profiteren van de AI-aangedreven Spanningsreceptoren

Het vermogen om windcondities nauwkeurig en snel te bepalen is een mogelijkheid die veel bedrijven kunnen benutten om hun aanbod te verbeteren. Het gebruik van deze sensoren op robots met gevleugelde slagen opent de deur voor drone‑fabrikanten om deze technologie uit te breiden en meer wendbare en unieke opties te creëren. Hier is één bedrijf dat de taak in de komende maanden kan uitvoeren.

Kratos Defense & Security Solutions Inc

Kratos Defense & Security Solutions Inc (KTOS ) betrad oorspronkelijk de markt in 1994 als leverancier van telecommunicatie‑infrastructuur voordat het zijn missie en doelen verschuiftte naar drone‑productie. Het bedrijf is gevestigd in San Diego, CA.

In 2004 begon Kratos Defense & Security Solutions Inc. met grootschalige overnames in de markt. Deze overnames gaven het bedrijf toegang tot geavanceerde technologieën en leidden ertoe dat het bedrijf zijn naam en algehele focus verlegde naar militaire defensietechnologieën.

Tegenwoordig wordt Kratos erkend als een toonaangevende leverancier van militaire drones en software. Het aandeel van het bedrijf, KTOS, heeft dit jaar een gestage groei doorgemaakt dankzij diverse factoren, waaronder de voortdurende innovatie van het aanbod en de groeiende vraag naar geautomatiseerde en AI‑aangedreven oorlogs‑drones.

De diepe banden van Kratos Defense & Security Solutions Inc. met institutionele investeerders, overheden en zijn bewezen staat van dienst maken het het perfecte bedrijf om deze technologie in de komende maanden te integreren.

Toekomst van AI-aangedreven Spanningsreceptoren

De ingenieurs achter de AI‑aangedreven spanningssensorstudie geloven dat er nog veel werk aan de winkel is om ervoor te zorgen dat deze technologie zijn piek bereikt. Momenteel is de sector van gevleugelde drones nog een jonge markt.

Echter, nu de voordelen van gevleugelde vlucht, zoals stabiel zweven en snelle richtingsveranderingen, unieke kansen creëren, kunt u een toenemende vraag naar deze bots verwachten. Daarom is het team van plan verdere studies uit te voeren onder complexere windcondities en combinaties van verschillende spanningssensorlocaties om hun ontwerp te optimaliseren.

AI-aangedreven Spanningsreceptoren – Vleugels Slim Maken

De introductie van betrouwbare en betaalbare AI‑aangedreven spanningsreceptoren in gevleugelde robots zal de prestaties overal verbeteren. Deze studie brengt de industrie een stap dichter bij het nabootsen van de natuur en het ontrafelen van eeuwenoude mysteries rond de vlucht. In de komende maanden kan deze studie leiden tot de creatie van vele nieuwe en capabele vleugelslag‑voertuigen.

Leer meer over andere coole robotica‑projecten hier.

Studieverwijzing:

^{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}