Адаптивная роботизация
Адаптивная роботизация (англ. Adaptable Robotics) — направление в области робототехники, ориентированное на создание робототехнических систем, способных изменять свои аппаратные и программные компоненты для выполнения широкого круга задач с адаптацией к различным условиям среды. В 1960-х годах робототехника была впервые внедрена в промышленность[1]. С тех пор возникла потребность в создании роботов с новыми формами приводов, адаптивностью, возможностями сенсорики и восприятия, а также обучаемости. Это способствовало формированию новой области — адаптивной роботизации. Существенные достижения, такие как робот PUMA, исследования в области манипуляции, мягкая робототехника, роевая робототехника, ИИ, коллаборативные роботы (коботы), биоинспирированные подходы и другие современные разработки, значительно продвинули адаптивную роботизацию. Как правило, адаптивные роботы ассоциируются с соответствующими конструкторскими наборами, которые обычно используются для создания автономных мобильных роботов. В некоторых случаях такие наборы сохраняют работоспособность даже при выходе из строя отдельных компонентов[2].
Адаптивные робототехнические системы успешно приспосабливаются к окружающей среде с помощью таких методов, как модульный дизайн, машинное обучение и обратная связь от сенсоров. Благодаря этим технологиям, системы адаптивной роботизации находят применение в различных отраслях и помогают решать множество прикладных задач в медицине, промышленности, в космических исследованиях и экспериментальных сферах. Однако в области адаптивной роботизации остаётся немало вызовов, что создаёт дополнительные возможности для её развития.
Фундаментальные концепции
Адаптивному роботу обычно присущи характеристики, отличающие его от роботов, выполняющих свои задачи вне зависимости от внешних условий. Выделяют четыре основные концепции, лежащие в основе адаптивной роботизации: адаптивность, сенсорика и восприятие, обучение и интеллект, а также приводы.
Адаптивность
Робот считается адаптивным, если обладает такими возможностями, как внутренняя безопасность и продуктивность без компромиссов, способностью к обучению, а также выполнением задач, недоступных традиционным роботам. Эти способности достигаются с помощью технологий управления усилием, иерархического интеллекта и других инновационных подходов[3]. Примером служит изобретённая Джоном Адлером в 1994 году роботизированная хирургическая система Кибернайф (англ. Cyberknife), способная выполнять медицинские процедуры с ультраточностью, демонстрируя возможности адаптации[4].
Сенсорика и восприятие
Информация об окружающей среде, получаемая с периферийных устройств, интеллектуально обрабатывается в адаптивных системах. Системы искусственного интеллекта анализируют эти данные и корректируют примитивы выполнения задач, реализуя адаптированные действия[3]. В 2001 году манипулятор Canadarm2 был доставлен на МКС и сыграл ключевую роль в обслуживании станции благодаря использованию данных с периферийных устройств для адаптации МКС к изменениям внутри неё[4].
Обучение и интеллект
ИИ, машинное обучение и глубокое обучение позволяют системам изучать мир и с течением времени всё эффективнее выполнять свои задачи[3]. В 1997 году марсоход Соджорнер был запущен на Марс; его бортовой компьютер позволял адаптироваться к непредвиденным обстоятельствам и препятствиям даже при минимуме доступных данных. Это стало предшественником внедрения ИИ в адаптивные системы. В том же году компьютер IBM Deep Blue победил Гарри Каспарова в шахматной партии, что стало вехой в развитии возможностей планирования и реагирования ИИ в роботах[4].
Приводы
Приводы в робототехнике обеспечивают движение робота. Адаптивные приводы, как правило, реагируют на изменения окружающей среды, например температурные изменения могут вызывать изменение их формы и, следовательно, функций[5]. Самостоятельные (беспроводные) приводы возможны, особенно в сфере мягкой робототехники, где внешние воздействия изменяют форму привода, генерируя механическую энергию[6]. В 1989 году Родни Брукс создал Ghengis — шестиногого робота, способного преодолевать сложный рельеф[4] Шестиногая модель использует шесть приводов для передвижения и до сих пор остаётся актуальной, в том числе в современных моделях типа Rhex.
Программное обеспечение
Конструкторские наборы, как правило, оснащаются открытой программной платформой, адаптированной под широкий спектр типичных робототехнических функций. Также в комплект обычно включается стандартная робототехническая периферия, легко интегрирующаяся с программным обеспечением (инфракрасные сенсоры, серводвигатели, микрофоны и видеокамеры), что расширяет возможности робота.[7].
Модификация робота для расширения его функций (например, для реализации совместной работы) может включать в себя выбор модуля, его замену, программную настройку и исполнение задачи[8].
Виды
Мягкие роботы
Роботы с мягкими захватами — одно из новых направлений адаптивной робототехники, вдохновлённое принципом работы венериной мухоловки. Две мягкие поверхности создают модули обхватывающего и щипкового захвата. Эта технология тестируется в различных условиях для оценки влияния разнообразных объектов, ошибок позиционирования и вариантов установки мягких поверхностей на эффективность захвата[9]. Беспроводная (untethered) работа привода особенно достижима в мягких роботах с жидкокристаллическими полимерами — классом материалов с обратимым эффектом запоминания формы. Они способны генерировать механическую энергию, меняя форму под действием внешних факторов, обеспечивая автономную работу[10].
Модульные роботы
Роботы, предназначенные для работы на открытом воздухе, способные адаптироваться к меняющимся ландшафтам и препятствиям. Они строятся из последовательности отдельных модулей, соединённых простыми шарнирами, что позволяет формировать различные формы для преодоления рельефа. К ним относятся, например, паукообразные, змееподобные и кольцевые конфигурации[11].
Роевая робототехника
Раздел робототехники, использующий принципы ройевого интеллекта для управления группами простых однородных роботов. Роевые роботы следуют алгоритмам, имитирующим поведение животных, чтобы реагировать на внешние стимулы[12].
Биогибридные роботы
Биогибридная робототехника использует живые ткани или клетки для предоставления роботам функций, сложных или невозможных для реализации обычными технологиями. В частности, мышечные клетки позволяют биогибридным роботам двигаться. В некоторых случаях биогибридность сочетается с роевой робототехникой, особенно в медицине[12].[13] Существуют гибриды насекомых и машин (киборги-насекомые, insect biobots) — комбинация живого насекомого с искусственной управляющей системой, встроенной в его тело для контроля поведения и движений[14].[15][16][17][18]
Применение
Адаптивная роботизация имеет широкий спектр применений — от медицины и промышленности до экспериментальных исследований.
Обучение с демонстрацией — стратегия переноса человеческих двигательных навыков роботам. Целью является выделение основных движений на основе демонстрации и адаптация робота к этим движениям. В ряде случаев роботы не могли применить навыки, полученные при обучении с демонстрацией, к новым условиям (отличающимся от исходных демонстраций). Эти проблемы были решены с помощью обучающей модели на основе нелинейной динамической системы с кодировкой траекторий как динамических двигательных примитивов, где параметры уравнения меняются в зависимости от окружающей среды, меняя и движения робота. Такие подходы доказали свою эффективность для широкого диапазона условий и повысили результативность роботов в сферах, где требуется высокая точность, например, в хирургии[19].
В медицине технологии SAR фокусируются на сборе сенсорных данных с носимых периферийных устройств для оценки состояния пациента. Эта информация позволяет системе осуществлять персонализированный мониторинг, мотивацию и поддержку в процессе реабилитации. Интуитивные физические интерфейсы взаимодействия человек–робот позволяют фиксировать движения хирурга для определения его намерений, выяснять механические характеристики тканей и др[20]. Биоинспирированные роботы с биодеградируемыми компонентами способны работать внутри человеческого тела[13].
ИИ, машинное и глубокое обучение позволили существенный прогресс в адаптивной роботизации: автономная навигация, распознавание и манипуляция объектами, обработка естественного языка, предиктивное техническое обслуживание. Эти технологии важны для создания коботов (collaborative robots) — роботов, способных работать совместно с человеком и адаптироваться к меняющимся условиям[21].
В промышленности ИИ, машинное и глубокое обучение применяются для контроля качества продукции, выявления дефектов изделий, уведомления производственных команд о необходимости корректировок в реальном времени[21].
Проблемы и ограничения
Системы физического взаимодействия человека и робота сложно проектировать из-за неопределённости поведения человека. Люди изменяют силу движений под влиянием эмоций, физиологических процессов и других неучтённых факторов, что затрудняет количественную оценку сенсорных данных для успешной адаптации роботов. Кроме того, в медицинских сценариях индивидуальные особенности пациентов требуют длительного времени для адаптации системы к каждой новой ситуации[19].[20]
Проблема надёжности данных от сенсорных технологий особенно актуальна для адаптивных систем на базе ИИ. С развитием моделей ИИ возрастают требования к периферийным устройствам, способным предоставлять достаточную информацию, а также растут сложности с созданием динамичных сред для обучения таких систем, поскольку не все возможные сценарии можно воспроизвести в тренировочных данных[21].
Роевые роботы сталкиваются с ограничениями, связанными с помехами, столкновением, неопределённостью и недостатком специализации, а также слабым пониманием принципов коллективного поведения[12]. Биогибридных роботов ограничивают хрупкость живых клеток, несмотря на их адаптивность к окружающей среде благодаря биологическим свойствам[13].