智能时代网

智能时代网 首页 机器人 查看内容

机器人也"怕疼"?科学家开发"自愈"机器人

2020-10-27 17:07| 发布者: editor| |原作者: 吴婷婷|来自: 学术头条

摘要: 一项突破性研究中,采用一种类脑方法,帮助机器人具有了识别疼痛并在受损时进行自我修复的能力。


      机器人似乎都不惧怕刀山火海,它们毫无痛觉,是妥妥的“工具人”。然而近日,来自新加坡南洋理工大学(NTU Singapore)的科学家和其合作者在一项突破性研究中,采用一种类脑方法,帮助机器人具有了识别疼痛并在受损时进行自我修复的能力。

      该系统具有支持 AI 的传感器节点,可以处理并响应由物理力施加的压力引起的“疼痛”,还允许机器人在“受轻伤”时检测并修复自身的损坏,而无需人工干预。研究论文已在线发表在 Nature 子刊 Nature Communications 上。


当传感器网络遇上忆阻晶体管

      目前,机器人系统通常使用传感器网络来生成有关其周围环境的信息。例如,灾难救援机器人使用摄像头和麦克风传感器在废墟下寻找幸存者,然后在其手臂上的触摸传感器的引导下将受困人员救出。在流水线上工作的工厂机器人,则使用视觉传感器将机械臂引导到正确的位置,并通过触摸传感器来确定“手”上的物体是否在滑移。

      而传感器通常不负责处理信息,仅仅将数据发送到发生学习行为的单个、大型、强大的中央处理器(CPU)中。因此,现有的机器人通常布线繁琐,响应时间存在延迟。它们还拥有一颗“玻璃心”,非常容易“受伤”。

      论文作者之一 Arindam Basu 说:“一个值得关注的问题是,人类在与机器人共同工作时,如何确保机器人能够与我们安全地互动。因此,世界各地的科学家一直在寻找使机器人具有感知能力的方法,比如“感觉”疼痛,做出反应并承受恶劣的工作条件,但是,将众多传感器组合在一起所产生的复杂性和复杂系统本身的脆弱性,是传统方法被广泛采用的主要障碍。”

      而新的方法将 AI 嵌入到传感器节点网络中,从而教会机器人如何识别疼痛并对破坏性的刺激作出反应。

      首先,研究团队对忆阻晶体管(memtransistor)进行了创新,其功能如同人脑神经元中的多个突触,能够使神经网络拥有成千上万的类似连接。

      然后,他们将这种忆阻晶体管内置于卫星阈值调整接收器(Satellite Threshold Adjusting Receptors,STARs)中,使其成为能够记忆和处理信息的“类脑”电子设备。在此系统中,它们被作为机器人的 AI 疼痛感受器和突触。

      AI 与多个较小的,功能较弱的处理单元相连接,就像分布在机器人皮肤上的“迷你大脑”一样。科学家们表示,这意味着学习行为直接在本地进行,并且这种机器人的布线要求和响应时间比传统机器人减少了 5-10 倍。


新一代机器人的法宝:自愈

      我们知道,传统机器人有一个非常影响工作效率的缺陷,即当被锋利的物体划伤时,机器人会迅速失去机械功能,并且需要人工修复,既费时又耗钱。

      而此系统的另一大创新则为弥补该缺陷带来了希望——使用一种可自我修复的离子凝胶材料(ion gel material)。该离子凝胶材料的基本理念是将电极、可拉伸的聚合物与离子液体结合在一起。离子-偶极子(ion–dipole)相互作用,就可以增加聚合物上带电离子和极性基团之间的作用力,并且随着离子电荷或分子极性的增加而增加。

      因此,当机器人受到损坏时,比如出现划伤或机械破坏,则自修复离子凝胶中的分子就会开始相互作用,使得机器人将其伤口“缝合”在一起,并在保持高响应性的同时重新恢复功能。

      论文作者之一 Rohit Abraham John 说:“这些新型设备的自我修复特性可以帮助机器人系统在划伤或刮伤时,即使在室温条件下也能反复将伤口“缝合”起来。这类似于我们人类的生物系统运作方式,就像人类皮肤能够自行愈合一样。”

      在一个公开视频中,研究团队展示了机器人如何实时学习对伤害的反应。

      他们首先拔掉了机器人的电极线(代表受到外界伤害)。

      然后,再人工向机器人施加压力,可以看到,即使在损坏后,机器人仍能继续对压力作出反应,这证明了系统的自愈性和鲁棒性。

      正如论文作者之一 Nripan Mathews 所说:“团队采用了不同寻常的方法,通过在机器人身上应用新的学习材料、设备和制造方法来模仿人类的神经生物学功能。尽管这一研究仍处于原型阶段,但为该领域提出了一个重要的框架,为研究人员应对这些挑战指明了新的方向。”


路过

雷人

握手

鲜花

鸡蛋

最新评论

小黑屋|智能时代  精品传媒荣誉出品 ( 京ICP备19056894号-1

GMT+8, 2020-11-28 15:07 , Processed in 0.051240 second(s), 16 queries .

返回顶部