مهندسان دانشگاه دوک در حال توسعه یک سیستم رباتیک هوشمند برای خراب کردن نقاط آلودگی و منابع نشت سمی هستند. رویکرد آنها یک ربات را قادر می سازد تا محاسبات انجام شده در پرواز را برای پاسخگویی به جریانهای پیچیده هوا در فضاهای محدود و نه فقط "دنبال کردن بینی خود" درج کند.
مایکل M. Zavlanos ، مری Milus Yoh و گفت: "بسیاری از رویکردهای موجود که از روبات ها برای یافتن منابع ذرات موجود در هوا استفاده می کنند ، به حدسهای تحصیل کرده اما ساده گرایانه یا تکنیک های اکتشافی وابسته به زیست متکی هستند که ربات ها را به سمت عقب رانده و یا به دنبال غلظت های فزاینده ای هستند." Harold L. Yoh ، جونیور دانشیار مهندسی مکانیک و علوم مواد در دوک. "این روشها معمولاً فقط می توانند یک منبع واحد را در فضای آزاد بومی سازی کنند و آنها نمی توانند پارامترهای یکسان مهم دیگر مانند نرخ رهاسازی را تخمین بزنند."
اما در محیط های پیچیده ، این روش های ساده می توانند روبات ها را در تعقیب غازهای وحشی به مناطقی بکشند که غلظت آنها به واسطه فیزیکی جریان هوا به صورت مصنوعی افزایش می یابد ، نه به این دلیل که آنها منبع نشت هستند.
بیشتر بخوانید: انواع و خلاء پمپ وكيوم خلاء حلقه آب
ویلکینز آکوئینو ، استاد مهندسی اندرسون روپپ ، مهندسی مکانیک و علوم مواد در دوک گفت: "اگر کسی در خارج از کشور سیگار می کشد ، فقط یافتن آنها برای یافتن آنها طولانی نیست زیرا هیچ چیز مانع از پیش بینی جریان هوا نمی شود." . "اما همین سیگار را داخل یک دفتر قرار دهید و ناگهان به دلیل جریانهای نامنظم هوایی که توسط راهروها ، گوشه ها و دفاتر ایجاد می شوند ، بسیار سخت تر می شوید."
در مقاله ای که اخیراً بصورت آنلاین در IEEE Transactions on Robotics ، Zavlanos ، Aquino و دکتری تازه استخراج شده منتشر شده است. در عوض فارغ التحصیل رضا خدایی مهر در عوض از فیزیک موجود در این جریان هوا بهره می برد تا منبع انتشار را به طور مؤثر ردیابی کند.
بازی
00:00
00:22
بی صدا
تنظیمات
PIP
ورود به حالت تمام صفحه
بازی
محققان برای آگاهی از پیچیدگی جریانهای هوا حتی در یک جعبه ساده U شکل ، از گچ قرمز استفاده کردند تا از هوا و حرکات هوا پیروی کنند. پیچیدگی هایی مانند اینها باعث می شود که روبات ها به راحتی بتوانند "از بینی خود پیروی کنند" تا بتوانند منابع نشت گاز را پیدا کنند. محققان دوک یک ربات ساخته اند که بجای دنبال کردن قوی ترین رایحه ، متصل کردن اندازه گیری غلظت و جریان هوا به یک معادله دیفرانسیل جزئی جزئی و سپس تصمیم گیری در مورد مفیدترین موقعیت برای انجام یک اندازه گیری دیگر است. با تکرار این فرایند ، می توانید یک منبع اتانول را فقط در دو یا دو بار در یک محیط پیچیده و با منابع متعدد پیدا کنید. اعتبار: رضا خدایی-مهر
روش آنها ترکیبی از مدلهای مبتنی بر فیزیک از مسئله شناسایی منبع با الگوریتم های برنامه ریزی مسیر برای روباتیک در یک حلقه بازخورد است. روبات ها اندازه گیری غلظت آلاینده ها در محیط را انجام می دهند و سپس از این اندازه گیری ها برای محاسبه تدریجی مکان های شیمیایی در واقع از کجا استفاده می کنند.
خدایی مهر گفت: "ایجاد این مدل های مبتنی بر فیزیک نیاز به حل معادلات دیفرانسیل جزئی دارد ، که از نظر محاسباتی خواستار است و کاربرد آنها را روی ربات های کوچک و متحرک متحرک بسیار چالش برانگیز می کند." "ما مجبور شدیم مدلهای ساده ای ایجاد كنیم تا محاسبات كارآمدتر شود و همین امر باعث می شود آنها كمتر دقت كنند. این یك تجارت دشوار است."
خدایی مه یک جعبه مستطیل شکل با یک دیوار تقریباً دو برابر فاصله برای ساخت یک سالن کوچک مینیاتوری به شکل U ساخته است که از فضای اداری ساده تقلید می کند. یک پنکه هوا را در راهرو در یک انتهای U و به پشت دیگر وصل می کند ، در حالی که اتانول گازی به آرامی در یکی از گوشه ها نشت می کند. با وجود سادگی تنظیمات ، جریانهای هوای ایجاد شده در داخل آشفته و کثیف هستند و یک مشکل شناسایی منبع دشوار را برای حل هر ربات اتانول ایجاد می کنند.
اما به هر حال ربات مشکل را حل می کند.
این روبات اندازه گیری غلظت را انجام می دهد ، آن را با اندازه گیری های قبلی فیوز می کند و یک مشکل بهینه سازی چالش برانگیز را برای برآورد محل منبع حل می کند. سپس مفیدترین مکان برای اندازه گیری بعدی خود را مشخص می کند و این روند را تا زمان یافتن منبع تکرار می کند.
Zavlanos گفت: "با ترکیب مدل های مبتنی بر فیزیک با برنامه ریزی مسیر مطلوب ، می توان فهمید که منبع با اندازه گیری های بسیار کمی در کجا قرار دارد." "این به این دلیل است که مدلهای مبتنی بر فیزیک ، ارتباطاتی بین اندازه گیری هایی دارند که در روشهای صرفاً محور داده ها به حساب نمی آیند ، و برنامه ریزی مطلوب مسیر ، به ربات اجازه می دهد تا معدود اندازه گیری ها با بیشترین اطلاعات را انتخاب کند."
آکوینو اضافه کرد: "مدل های مبتنی بر فیزیک کامل نیستند ، اما آنها هنوز اطلاعات بیشتری را نسبت به سنسورها به تنهایی حمل می کنند." "آنها لازم نیست دقیق باشند ، اما به ربات اجازه می دهند تا بر اساس آنچه در فیزیک جریان هوا امکان پذیر است ، استنتاج کند. این نتیجه یک رویکرد بسیار کارآمدتر است."
این مجموعه پیچیده حل مسئله لزوما سریعتر نیست ، اما بسیار قوی تر است. این می تواند موقعیت هایی را با منابع متعدد کنترل کند که در حال حاضر برای رویکردهای اکتشافی غیرممکن است و حتی می تواند میزان آلودگی را اندازه گیری کند.
این گروه همچنان در تلاش است تا الگوریتم های یادگیری ماشین را ایجاد کند تا مدل های آنها در عین حال کارآمدتر و دقیق تر شوند. آنها همچنین در تلاشند تا این ایده را برای برنامه ریزی ناوگان ربات ها برای انجام جستجوی روشمند در یک منطقه بزرگ گسترش دهند. در حالی که آنها هنوز رویکرد گروه را در عمل امتحان نکرده اند ، آنها شبیه سازی هایی را منتشر کرده اند که نشان دهنده پتانسیل آن است.
خدایی مهر گفت: "حرکت از محیط آزمایشگاهی با تنظیمات کنترل شده به سناریوی عملی تر ، نیازمند پرداختن به سایر چالش ها نیز هست." "به عنوان مثال ، در یک سناریوی در دنیای واقعی ، ما احتمالاً هندسه دامنه را نمی شناسیم. اینها برخی از دستورالعملهای تحقیق در حال انجام است که ما در حال حاضر روی آن کار می کنیم."
مهندسان دانشگاه دوک در حال توسعه یک سیستم رباتیک هوشمند برای خراب کردن نقاط آلودگی و منابع نشت سمی هستند. رویکرد آنها یک ربات را قادر می سازد تا محاسبات انجام شده در پرواز را برای پاسخگویی به جریانهای پیچیده هوا در فضاهای محدود و نه فقط "دنبال کردن بینی خود" درج کند.
مایکل M. Zavlanos ، مری Milus Yoh و گفت: "بسیاری از رویکردهای موجود که از روبات ها برای یافتن منابع ذرات موجود در هوا استفاده می کنند ، به حدسهای تحصیل کرده اما ساده گرایانه یا تکنیک های اکتشافی وابسته به زیست متکی هستند که ربات ها را به سمت عقب رانده و یا به دنبال غلظت های فزاینده ای هستند." Harold L. Yoh ، جونیور دانشیار مهندسی مکانیک و علوم مواد در دوک. "این روشها معمولاً فقط می توانند یک منبع واحد را در فضای آزاد بومی سازی کنند و آنها نمی توانند پارامترهای یکسان مهم دیگر مانند نرخ رهاسازی را تخمین بزنند."
اما در محیط های پیچیده ، این روش های ساده می توانند روبات ها را در تعقیب غازهای وحشی به مناطقی بکشند که غلظت آنها به واسطه فیزیکی جریان هوا به صورت مصنوعی افزایش می یابد ، نه به این دلیل که آنها منبع نشت هستند.
بیشتر بخوانید: انواع و خلاء پمپ وكيوم خلاء حلقه آب
ویلکینز آکوئینو ، استاد مهندسی اندرسون روپپ ، مهندسی مکانیک و علوم مواد در دوک گفت: "اگر کسی در خارج از کشور سیگار می کشد ، فقط یافتن آنها برای یافتن آنها طولانی نیست زیرا هیچ چیز مانع از پیش بینی جریان هوا نمی شود." . "اما همین سیگار را داخل یک دفتر قرار دهید و ناگهان به دلیل جریانهای نامنظم هوایی که توسط راهروها ، گوشه ها و دفاتر ایجاد می شوند ، بسیار سخت تر می شوید."
در مقاله ای که اخیراً بصورت آنلاین در IEEE Transactions on Robotics ، Zavlanos ، Aquino و دکتری تازه استخراج شده منتشر شده است. در عوض فارغ التحصیل رضا خدایی مهر در عوض از فیزیک موجود در این جریان هوا بهره می برد تا منبع انتشار را به طور مؤثر ردیابی کند.
بازی
00:00
00:22
بی صدا
تنظیمات
PIP
ورود به حالت تمام صفحه
بازی
محققان برای آگاهی از پیچیدگی جریانهای هوا حتی در یک جعبه ساده U شکل ، از گچ قرمز استفاده کردند تا از هوا و حرکات هوا پیروی کنند. پیچیدگی هایی مانند اینها باعث می شود که روبات ها به راحتی بتوانند "از بینی خود پیروی کنند" تا بتوانند منابع نشت گاز را پیدا کنند. محققان دوک یک ربات ساخته اند که بجای دنبال کردن قوی ترین رایحه ، متصل کردن اندازه گیری غلظت و جریان هوا به یک معادله دیفرانسیل جزئی جزئی و سپس تصمیم گیری در مورد مفیدترین موقعیت برای انجام یک اندازه گیری دیگر است. با تکرار این فرایند ، می توانید یک منبع اتانول را فقط در دو یا دو بار در یک محیط پیچیده و با منابع متعدد پیدا کنید. اعتبار: رضا خدایی-مهر
روش آنها ترکیبی از مدلهای مبتنی بر فیزیک از مسئله شناسایی منبع با الگوریتم های برنامه ریزی مسیر برای روباتیک در یک حلقه بازخورد است. روبات ها اندازه گیری غلظت آلاینده ها در محیط را انجام می دهند و سپس از این اندازه گیری ها برای محاسبه تدریجی مکان های شیمیایی در واقع از کجا استفاده می کنند.
خدایی مهر گفت: "ایجاد این مدل های مبتنی بر فیزیک نیاز به حل معادلات دیفرانسیل جزئی دارد ، که از نظر محاسباتی خواستار است و کاربرد آنها را روی ربات های کوچک و متحرک متحرک بسیار چالش برانگیز می کند." "ما مجبور شدیم مدلهای ساده ای ایجاد كنیم تا محاسبات كارآمدتر شود و همین امر باعث می شود آنها كمتر دقت كنند. این یك تجارت دشوار است."
خدایی مه یک جعبه مستطیل شکل با یک دیوار تقریباً دو برابر فاصله برای ساخت یک سالن کوچک مینیاتوری به شکل U ساخته است که از فضای اداری ساده تقلید می کند. یک پنکه هوا را در راهرو در یک انتهای U و به پشت دیگر وصل می کند ، در حالی که اتانول گازی به آرامی در یکی از گوشه ها نشت می کند. با وجود سادگی تنظیمات ، جریانهای هوای ایجاد شده در داخل آشفته و کثیف هستند و یک مشکل شناسایی منبع دشوار را برای حل هر ربات اتانول ایجاد می کنند.
اما به هر حال ربات مشکل را حل می کند.
این روبات اندازه گیری غلظت را انجام می دهد ، آن را با اندازه گیری های قبلی فیوز می کند و یک مشکل بهینه سازی چالش برانگیز را برای برآورد محل منبع حل می کند. سپس مفیدترین مکان برای اندازه گیری بعدی خود را مشخص می کند و این روند را تا زمان یافتن منبع تکرار می کند.
Zavlanos گفت: "با ترکیب مدل های مبتنی بر فیزیک با برنامه ریزی مسیر مطلوب ، می توان فهمید که منبع با اندازه گیری های بسیار کمی در کجا قرار دارد." "این به این دلیل است که مدلهای مبتنی بر فیزیک ، ارتباطاتی بین اندازه گیری هایی دارند که در روشهای صرفاً محور داده ها به حساب نمی آیند ، و برنامه ریزی مطلوب مسیر ، به ربات اجازه می دهد تا معدود اندازه گیری ها با بیشترین اطلاعات را انتخاب کند."
آکوینو اضافه کرد: "مدل های مبتنی بر فیزیک کامل نیستند ، اما آنها هنوز اطلاعات بیشتری را نسبت به سنسورها به تنهایی حمل می کنند." "آنها لازم نیست دقیق باشند ، اما به ربات اجازه می دهند تا بر اساس آنچه در فیزیک جریان هوا امکان پذیر است ، استنتاج کند. این نتیجه یک رویکرد بسیار کارآمدتر است."
این مجموعه پیچیده حل مسئله لزوما سریعتر نیست ، اما بسیار قوی تر است. این می تواند موقعیت هایی را با منابع متعدد کنترل کند که در حال حاضر برای رویکردهای اکتشافی غیرممکن است و حتی می تواند میزان آلودگی را اندازه گیری کند.
این گروه همچنان در تلاش است تا الگوریتم های یادگیری ماشین را ایجاد کند تا مدل های آنها در عین حال کارآمدتر و دقیق تر شوند. آنها همچنین در تلاشند تا این ایده را برای برنامه ریزی ناوگان ربات ها برای انجام جستجوی روشمند در یک منطقه بزرگ گسترش دهند. در حالی که آنها هنوز رویکرد گروه را در عمل امتحان نکرده اند ، آنها شبیه سازی هایی را منتشر کرده اند که نشان دهنده پتانسیل آن است.
خدایی مهر گفت: "حرکت از محیط آزمایشگاهی با تنظیمات کنترل شده به سناریوی عملی تر ، نیازمند پرداختن به سایر چالش ها نیز هست." "به عنوان مثال ، در یک سناریوی در دنیای واقعی ، ما احتمالاً هندسه دامنه را نمی شناسیم. اینها برخی از دستورالعملهای تحقیق در حال انجام است که ما در حال حاضر روی آن کار می کنیم."
مدل جدیدی برای تولید سؤال گفتگوی بصری