Avances en Robótica Blanda Inspirados en Peces
La investigación busca mejorar los peces robots para entornos acuáticos dinámicos.
― 6 minilectura
Tabla de contenidos
En los últimos veinte años, ha habido un aumento rápido en cómo creamos y estudiamos robots, especialmente los inspirados en criaturas vivas. Este cambio ha sucedido principalmente por las mejoras en computadoras y tecnología, además de las lecciones que aprendemos al estudiar cómo se mueven y se comportan los animales. Los investigadores han desarrollado robots avanzados que toman ideas de la forma en que los animales están construidos y cómo se mueven, pero aún hay desafíos para hacer que estos robots sean tan flexibles y resistentes como los animales naturales.
A pesar de que hemos hecho grandes avances en la creación de robots que se ven y funcionan como animales, todavía hay una gran diferencia en cuán bien se adaptan a su entorno. Por ejemplo, muchos animales pueden cambiar sus movimientos según lo que ven y sienten a su alrededor, lo que les ayuda a sobrevivir y prosperar. Esto es claro cuando vemos animales como los gecos, que pueden caminar sobre el agua, cocodrilos con sus habilidades de caza, y peces migratorios que pueden viajar largas distancias. El éxito de estos animales proviene de sus estructuras corporales únicas y de lo bien que sienten su entorno, lo que les permite mostrar una especie de inteligencia que les ayuda a moverse.
Los principales objetivos de la robótica que se inspira en la naturaleza son aprender sobre cómo funcionan los sistemas naturales, imitar partes de estos sistemas y construir robots que puedan realizar tareas similares. Recientemente, la robótica blanda ha jugado un papel importante en la creación de robots que pueden imitar cómo funcionan los sistemas naturales usando materiales que fingen estructuras biológicas. Estos robots blandos tienen varios beneficios, incluyendo ser fáciles de hacer, seguros de usar y capaces de interactuar suavemente con su entorno o moverse a través de áreas complicadas.
Un área crítica de investigación en robótica blanda es estudiar cómo nadan los animales. Los peces, por ejemplo, son famosos por su capacidad para moverse rápido y eficientemente en el agua. Sus habilidades de natación les permiten hacer cosas desafiantes, como Nadar corriente arriba en tiempos difíciles. El secreto de su eficiencia energética radica en cómo controlan sus movimientos corporales, lo que les permite usar la energía natural del agua para propulsión.
Los estudios sobre cómo nadan los peces han llevado a muchos diseños de robots blandos que también pueden moverse en el agua. Algunos de estos robots imitan los rápidos movimientos de peces grandes como el atún, mientras que otros pueden realizar maniobras rápidas como ciertos tipos de peces conocidos por su agilidad. La complejidad de cómo nadan los peces proporciona muchas oportunidades para aplicar estas lecciones a la tecnología.
En nuestra investigación, nos enfocamos en aprender de las habilidades de natación de la trucha arcoíris. Estamos desarrollando un Pez robótico blando que utiliza partes flexibles especiales y sensores para controlar sus movimientos. Al monitorear la curvatura de la cola durante la natación, podemos experimentar con Métodos de control avanzados para mejorar el rendimiento de estos robots.
Nuestro pez robótico blando se crea usando materiales flexibles diseñados para imitar la columna vertebral y la cola de un pez real. Se controla por un sistema que utiliza aire comprimido para impulsar los movimientos de la cola. Un controlador digital hace ajustes basados en la información de los sensores, permitiendo que el pez reaccione a los cambios en su entorno. Esta configuración nos ayuda a probar cuán bien nuestro pez robótico puede seguir un camino de natación específico, mejorando su rendimiento con el tiempo.
Para manejar cómo nada el pez robótico, usamos un tipo especial de sistema de control. Los sistemas de control tradicionales funcionan bien en muchas situaciones, pero a menudo tienen problemas con la naturaleza suave y flexible de estos sistemas robóticos. Así que, exploramos cómo combinar diferentes métodos de control para lograr mejores resultados.
Como parte de nuestros experimentos, comparamos dos enfoques de control diferentes para ver cuál ayuda al pez robótico a seguir un patrón de natación deseado de manera más efectiva. Un enfoque es un método estándar que utiliza cálculos proporcionales, integrales y derivados para manejar los movimientos. El otro combina este método estándar con un Sistema de Aprendizaje que permite que el pez robótico mejore su rendimiento basado en experiencias pasadas.
En nuestras pruebas, descubrimos que el sistema de aprendizaje mejora significativamente la capacidad del pez para seguir el movimiento objetivo. Esto resulta en acciones más rápidas y precisas, lo cual es especialmente importante para sistemas robóticos blandos que a menudo enfrentan incertidumbres en sus operaciones. Este logro marca un paso significativo en la robótica blanda y destaca la utilidad de las técnicas de control avanzadas en la gestión de estos tipos de sistemas dinámicos.
A pesar de nuestro progreso, aún hay desafíos por delante. Nuestro controlador actual no se ha probado en entornos donde las corrientes de agua afectan sus movimientos. Sin embargo, creemos que nuestro sistema puede adaptarse a diferentes condiciones y manejar variaciones causadas por las corrientes de agua. La investigación futura se centrará en refinar el diseño de nuestro pez robótico y probarlo bajo condiciones de flujo para ver cuán bien se desempeña en escenarios del mundo real.
Mirando hacia adelante, nuestro objetivo es trabajar en la plataforma del pez robótico blando, con un énfasis especial en probarlo en entornos que imiten las condiciones reales del agua. Al refinar nuestras técnicas de control y entender cómo el pez interactúa con las corrientes de agua, nuestro objetivo es desarrollar un pez robótico más receptivo y adaptable.
A medida que continuamos este trabajo, esperamos contribuir al campo de la robótica bioinspirada y mejorar nuestra comprensión de cómo diseñar y controlar robots que puedan operar de manera efectiva en entornos acuáticos dinámicos. Esta investigación no solo avanza la tecnología, sino que también ofrece información valiosa sobre las notables capacidades de los sistemas naturales, enfatizando la conexión entre la vida biológica y las innovaciones robóticas.
Conclusión
En resumen, la robótica inspirada en la naturaleza ha avanzado mucho en los últimos años. Al estudiar cómo se mueven los animales, especialmente en el agua, podemos crear robots que imitan estas habilidades. Aunque hemos logrado resultados impresionantes, aún hay mucho por aprender y explorar. El trabajo futuro se centrará en desarrollar aún más nuestro pez robótico blando para asegurarnos de que pueda adaptarse y prosperar en entornos cambiantes, allanando el camino para emocionantes avances tanto en tecnología robótica como en nuestra comprensión del mundo natural.
Título: Repetitive Learning Control for Body Caudal Undulation with Soft Sensory Feedback
Resumen: Soft bio-inspired robotics is a growing field of research that seeks to close the gap with animal robustness and adaptability where conventional robots fall short. The embedding of sensors with the capability to discriminate between different body deformation modes is a key technological challenge in soft robotics to enhance robot control - a difficult task for such kinds of systems with high degrees of freedom. The recently conceived Linear Repetitive Learning Estimation Scheme (LRLES) - to be included in the traditional Proportional Integral Derivative (PID) control - is proposed here as a way to compensate for uncertain dynamics on a soft swimming robot, which is actuated with soft pneumatic actuators and equipped with soft sensors providing proprioceptive information pertaining to lateral body caudal bending akin to a goniometer. The proposed controller is derived in detail and experimentally validated, with the experiment consisting of tracking a desired trajectory for bending angle while continuously oscillating with a constant frequency. The results are compared vis a vis those achieved with the traditional PID controller, finding that the PID endowed with the LRLES outperforms the PID controller (though the latter has been separately tuned) and experimentally validating the novel controllers effectiveness, accuracy, and matching speed.
Autores: Ardian Jusufi, F. Schwab, M. El Arayshi, S. Rezaei, H. Sprumont, F. Allione, C. Mucignat, I. Lunati, C. M. Verrelli
Última actualización: 2024-01-15 00:00:00
Idioma: English
Fuente URL: https://www.biorxiv.org/content/10.1101/2024.01.11.575004
Fuente PDF: https://www.biorxiv.org/content/10.1101/2024.01.11.575004.full.pdf
Licencia: https://creativecommons.org/licenses/by-nc/4.0/
Cambios: Este resumen se ha elaborado con la ayuda de AI y puede contener imprecisiones. Para obtener información precisa, consulte los documentos originales enlazados aquí.
Gracias a biorxiv por el uso de su interoperabilidad de acceso abierto.