Luftroboter vil dra nytte av AI-drevne strekkreseptorer

Kunstig intelligens fortsetter å levere innovasjoner innen luftfarts- og robotikkindustriene.  Nylige utviklinger som involverer integrerte AI-drevne strekkreseptorer kan gjøre det mulig å skape mer smidige og lettvektige alternativer i de kommende årene. Her er alt du trenger å vite.

Siden tidens begynnelse har mennesket sett mot naturen for å få en bedre forståelse av flyvning. Imidlertid har det vist seg å være mye mer utfordrende enn tradisjonelle vingekraftige fartøy å lage roboter som vifter vingene for å fly. Dessverre har dette etterlatt luftroboter uten noen nøkkelfunksjoner som deres naturlige motparter har, som for eksempel raskt å skifte mellom sveving og optimalisert flyvning. Heldigvis kan dette scenariet være i ferd med å endre seg.

Flapende vingeluftroboter

I dag er luftroboter utbredt på tvers av flere sektorer, og deres innflytelse, evner og tilgjengelighet øker. Folk tenker ofte kun på propellerdrevne og vingekraftige fartøy når de diskuterer luftrobotikk. Imidlertid finnes det flere andre alternativer som kanskje ikke får oppmerksomhet, men som definitivt har unike fordeler som får dem til å skille seg ut.

Flapende vinger

Flapende vinger gir det beste fra begge verdener. De gjør det mulig for fugler å raskt oppnå vertikal løft og stabilisere seg for å gli over lange avstander. Vingede insekter kan sveve og endre retning raskt. Tenk på hvordan en humle eller kolibri suser rundt et område, eller hvordan en møll sirkler rundt en lyspære.

Til dags dato har det vært noen store fremskritt innen design av flapende vingebaserte roboter. Imidlertid har det vist seg vanskelig å lage flykontrollere som gjør at disse fartøyene kan operere pålitelig under varierende forhold i stedet for i et laboratorium. Likevel fanger disse designene fortsatt fantasien til utviklere og skapere, med filmen Dune som nylig viste en Ornithopter som bruker flapende vinger som ligner på en øyenstikker.

Kilde – Fandom

Studie av AI-drevne strekkreseptorer

En nylig studie, “Machine Learning-Based Wind Classification by Wing Deformation in Biomimetic Flapping Robots: Biomimetic Flexible Structures Improve Wind Sensing,“¹ bygger på naturlig inspirasjon for å forbedre evnene til flapende vingebaserte roboter. Spesielt undersøkte forskerne flere skapninger for å fastslå hvordan deres sanser gjør dem i stand til nøyaktig å optimalisere flymønstrene sine.

AI-drevne strekkreseptorer tar naturlig inspirasjon.

Teamet merket at alle flapende vingefugler og insekter har en slags sensororgan i vingene. De antok at dette organet utfører ulike oppgaver i forskjellige dyr, noe som gjør dem i stand til å korrigere flykarakteristikkene for å forbedre resultatene. Teamet oppdaget at gresshopper hadde strekkreseptorer i vingevervene. Mens mange fugler, som høns, har sensorer nær fjærfolliklene.

Frem til denne studien var det lite forståelse for nøyaktig hvilke data disse sensorene ga til dyret. Imidlertid konkluderte forskerne med at sensorinformasjonen tillot dyrene å oppdage vind, kroppsrørelser og endrede miljøforhold i sanntid. For å gi roboter de samme evnene, satte teamet i gang med å lage en pålitelig AI-drevet strekkensor som kunne etterligne sine naturlige motparter, slik at roboten kan “føle” omgivelsene og forholdene og justere seg deretter.

Vingedesign

Teamet hentet inspirasjon fra en av naturens mest smidige flygere, kolibrien. De satte i gang med å lage kolibri‑imitasjonsvinger som har en lignende struktur som benene i fuglen. Aksene smalner mot endene og fungerer som vingeverv, noe som gir et ekstra lag av stabilitet til vingestrukturen.

Disse fleksible vingene ble 3D‑printet ved hjelp av en dual‑dyse fused deposition modeling 3D‑printer. Denne tilnærmingen gjorde det mulig for teamet å skrive ut med en 12,5 μm‑tykk copolyester‑polymer og karbonfiberforsterket polyetylentereftalat. Denne metoden ga egenskapene til en naturlig vinge som kunne bøye seg og bevege seg langs sin bane.

Fri bevegelse

Spesielt kunne vingen bevege seg fritt opp til en vinkel på ±23°. Vingen ville også vri seg langs forkanten under hver flapping. Denne bevegelsen ga ekstra kraft ved å maksimere løftkraften, lik insekter. Ingeniørene satte vingens flapping‑amplitude til 158°, og flapping‑frekvensen ble justert til ≈12 Hz for eksperimentene.

Kilde – Advanced Intelligent Systems

AI-drevne strekkreseptorer

Teamet integrerte strekkmålere i den kolibri‑lignende vingestrukturen. Spesielt ble syv kommersielt tilgjengelige, lavkost‑strekkreseptorer med basisbredde og lengde på 1,4 og 4,2 mm limt på spesifikke steder på testvingene. Disse sensorene ble deretter brukt til å måle vingens trykk og strekk i syv forskjellige vindretninger. De brukte retningene inkluderte 0°, 15°, 30°, 45°, 60°, 75° og 90°.

Motor

For å få vingene til å flappe, ble en DC‑motor festet. Motoren benyttet en Scotch‑yoke‑mekanisme og reduksjonsgir for å gi realistiske flappebevegelser. Enheten ble satt til 12 sykluser per sekund, og sensorledninger ble ført gjennom kontakter på vingene til et dataregister. Merk at ingeniørene brukte en TEXIO TECHNOLOGY‑enhet med en konstant spenning for å sikre ensartethet og målbarhet.

AI-drevne strekkreseptorer konvolusjonell nevralt nettverksmodell

En av hovedkomponentene i eksperimentet var bruken av et konvolusjonelt nevralt nettverk. Denne modellen tillot forskerne å registrere, klassifisere og trene en flykontroller som kunne gjøre justeringer i sanntid ved å bruke data samlet inn fra strekkensorene og matchet mot CNN‑modellen.

Strekkmålingsdataene gjør at maskinlæringsalgoritmen kan klassifisere vindforhold nøyaktig. Som en del av treningen ble sensorens data innhentet for å etterligne sveveflyvning i en vindtunnel. Merk at 720 strekk‑ og fase‑datasett ble innhentet for hver vindforhold. Disse dataene ble delt opp i individuelle vingeslag.

AI-drevne strekkreseptorer test

Teamet startet testfasen ved å registrere sensor­dataene fra vingene uten vind. Mangelen på luftstrøm tillot sensorene å nullstille og gjøre nøyaktige sammenligninger når forholdene ble forbedret. I tillegg testet teamet tre forskjellige vinger med samme strekkmålerdata og sammenlignet resultatene.

En magnetisk roterende enkoder ble brukt for å fange vingens tilstand nøyaktig under ulike forhold. Enheten var plassert direkte på vingene, noe som ga en oppløsning på 0,703° under flappefasen. Interessant nok initierte teamet prosessen ved å sette en enkelt rotasjon av enkoderen til en enkelt flappsyklus.

Vindtunnel

Vindtunnelen var en avgjørende del av disse eksperimentene. Den gjorde det mulig for teamet å simulere sveveflyvning under både milde og harde vindforhold. Spesielt ble åtte vekslende vindforhold brukt i testfasen. Hvert forhold hadde 3 målinger tatt under en enkelt flappsyklus.

AI-drevne strekkreseptorer testresultater

Resultatene fra studien var imponerende. Teamet klarte å bestemme vindforholdene med 99 % nøyaktighet. Imponerende nok tok bestemmelsen kun én flapp, og i noen tilfeller ga så lite som 0,2 flappsyklus svært nøyaktige resultater. I tillegg fant studien at sensorene nærmest vingeshaktene ga de raskeste resultatene.

Syklustid er viktig

Syklustiden for hver måling gjorde en stor forskjell i resultatene. Teamet merket at under 0,2 sykluser falt datatapets pålitelighet kraftig. Ved 0,2 oppnådde sensorene imidlertid 85 % nøyaktighet. Denne nøyaktigheten kan forbedres eller reduseres basert på antall sensorer i vingen.

Biomimetiske vingeshaktestrukturer forbedrer AI-drevne strekkreseptoreres resultater

Testene fant at vingeshaktestrukturen spiller en avgjørende rolle i datainnhenting og nøyaktighet. Som følge av dette kunne de strukturerte vingene som ble testet bestemme vindforhold mye raskere enn et ustrukturert testobjekt. Denne oppdagelsen førte til at ingeniørene konkluderte med at forbedring av vingestrukturen og sensorplasseringen kan gi enda høyere nøyaktighet i fremtiden.

Fordeler med AI-drevne strekkreseptorer

Det finnes en lang liste med fordeler som denne studien bringer til markedet. For det første ga den robotingeniører en enkel vingestrekk‑sensingskapasitet som baserte seg på kommersielt tilgjengelige, rimelige komponenter. Disse lavkost‑ og lavstrømsenhetene kan enkelt integreres i flygende roboter uten behov for større endringer.

Smidighet

Smidigheten som humler oppnår er nesten overjordisk. Disse vingedyrene kan raskt stoppe, sveve og endre retning uten mye belastning. Forskere håper å lage droner med de samme evnene, noe som muliggjør et nytt nivå av integrasjon.

Tilpasningsevne

Ingen kan fortelle deg hvilken retning vinden vil blåse hele tiden. Imidlertid kan sensorinnspillet fra de testede vingene direkte gjenkjenne strømforhold uten hjelp fra ekstra enheter. Disse dataene kan brukes til å forbedre miljøbevissthet, gi bedre kontroll og rask informasjonskoding basert på miljøforhold.

Enkel tilnærming

En annen stor fordel med flapende vinger sammenlignet med andre sveveteknologier er enkelhet. Hovercraft krever mye luftstrøm og kan kun nå en viss høyde. På den andre siden er helikoptre enormt komplekse, og krever tusenvis av bevegelige deler som må kalibreres perfekt for å oppnå en sveveposisjon. Denne siste studien kan gjøre det mulig å 3D‑printet kjøretøyvinger som kan oppnå stabil sveving og raske retningsendringer uten mengder av bevegelige og intrikate deler.

Bruksområder for AI-drevne strekkreseptorer

Det finnes flere bruksområder for flapende vingebaserte roboter. Disse enhetene kan hjelpe med å nå vanskelig tilgjengelige steder eller gi jevn skanning av naturkatastrofer eller krigssoner. Små luftroboter lider i dag av alvorlige begrensninger i vekt og størrelse. Bruken av flapende vinger kan forbedre deres nyttelast ved å redusere vekten som trengs for flygeapparater.

Forskere bak AI-drevne strekkreseptorer

Denne studien ble presentert av forskere ved Institute of Science Tokyo. Rapporten ble ledet av førsteamanuensis Hiroto Tanaka og inkluderte arbeid fra Hiroto Tanaka. I tillegg bidro Tomoya Fujii med vingedesignet. Merk at forskerne mottok støtte fra JSPS KAKENHI Grant-in-Aid for Scientific Research on Innovative Areas “Science of Soft Robots” under grant nr. JP18H05468.

Selskaper som kan ha nytte av AI-drevne strekkreseptorer

Evnen til å nøyaktig og raskt bestemme vindforhold er en mulighet som mange selskaper kan bruke for å forbedre sine tilbud. Bruken av disse sensorene på flapende vingebaserte roboter åpner døren for droneprodusenter til å utvide denne teknologien for å skape mer smidige og unike alternativer. Her er ett selskap som kan gjennomføre oppgaven i de kommende månedene.

Kratos Defense & Security Solutions Inc

Kratos Defense & Security Solutions Inc (KTOS ) kom opprinnelig inn på markedet i 1994 som leverandør av telekommunikasjonsinfrastruktur før de skiftet sin misjon og mål til droneproduksjon. Selskapet er basert i San Diego, CA.

I 2004 begynte Kratos Defense & Security Solutions Inc. med å foreta høyt nivå av oppkjøp på tvers av markedet. Disse oppkjøpene ga selskapet tilgang til avanserte teknologier og førte til at firmaet endret navn og samlet fokus til militære forsvarsteknologier.

I dag er Kratos anerkjent som en ledende leverandør av militære droner og programvare. Selskapets aksje, KTOS, har sett jevn vekst gjennom året på grunn av en rekke faktorer, inkludert selskapets kontinuerlige innovasjon av sine tilbud sammen med økende etterspørsel etter automatiserte og AI-drevne krigsdroner.

Kratos Defense & Security Solutions Inc.s dype bånd til institusjonelle investorer, myndigheter og deres dokumenterte merittliste gjør dem til det perfekte selskapet for å integrere denne teknologien i de kommende månedene.

Fremtiden for AI-drevne strekkreseptorer

Ingeniørene bak studien av AI-drevne strekk‑sensorer mener at det fortsatt er mye arbeid som må gjøres for å sikre at denne teknologien når sitt toppunkt. For øyeblikket er markedet for vingedroner fortsatt i en tidlig fase.

Imidlertid, ettersom fordelene med vingeflyvning, som stabil sveving og raske retningsendringer, skaper unike muligheter, kan du forvente økt etterspørsel etter disse robotene. Derfor har teamet til hensikt å gjennomføre ytterligere studier på mer komplekse vindforhold og kombinasjoner av ulike strekk‑sensings‑lokasjoner for å optimalisere designet.

AI-drevne strekkreseptorer – gjør vinger smarte

Innføringen av pålitelige og rimelige AI-drevne strekkreseptorer i vingebaserte roboter vil uten tvil forbedre ytelsen på tvers av feltet. Denne studien bringer industrien ett skritt nærmere å etterligne naturen og låse opp eldgamle mysterier knyttet til flyvning. I de kommende månedene kan denne studien føre til opprettelsen av mange nye og kapable flapende vingekraftige fartøy.

Lær om andre kule robotikkprosjekter her.

Studierreferanse:

^{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}