منوعات

تكشف روبوتات المشي عن ظهور تحولات في مشية الحيوانات

باستخدام شكل من أشكال التعلم الآلي يسمى التعلم المعزز العميق (DRL)، تعلم روبوت EPFL بشكل خاص التحول من الخبب إلى المشي – وهي مشية القفز والقوس التي تستخدمها الحيوانات مثل السبرينغبوك والغزلان – للتنقل في مسار صعب. تضاريس بها فجوات تتراوح من 14 إلى 30 سم. تقدم الدراسة، التي أجراها مختبر BioRobotics بكلية الهندسة في EPFL، رؤى جديدة حول سبب وكيفية حدوث مثل هذه التحولات في المشي لدى الحيوانات.

“لقد قدمت الأبحاث السابقة كفاءة الطاقة والوقاية من إصابات العضلات والعظام كتفسيرين رئيسيين لتحولات المشي. وفي الآونة الأخيرة، جادل علماء الأحياء بأن الاستقرار على التضاريس المسطحة قد يكون أكثر أهمية. لكن التجارب “التجارب على الحيوانات والروبوتات أظهرت أن هذه الافتراضات يقول ميلاد شافعي، طالب الدكتوراه والمؤلف الأول لورقة بحثية منشورة في: “ليست صالحة دائمًا، خاصة على الأراضي غير المستوية”. الاتصالات الطبيعية.

كان شافيي ومؤلفوه المشاركون غيوم بيليجاردا وأوك إيجسبيرت، مدير مختبر BioRobotics Lab، مهتمين بفرضية جديدة تشرح سبب حدوث تحولات المشية: القدرة على البقاء أو تجنب السقوط. ولاختبار هذه الفرضية، استخدموا DRL لتدريب روبوت رباعي الأرجل على اجتياز تضاريس مختلفة. وعلى أرض مستوية، وجدوا أن المشيات المختلفة أظهرت مستويات مختلفة من القوة للدفعات العشوائية، وأن الروبوت تحول من المشي إلى الخبب للحفاظ على القدرة على البقاء، تمامًا كما تفعل الحيوانات رباعية الأرجل عند التسارع. وفي مواجهة الفجوات المتتالية في السطح التجريبي، انتقل الروبوت تلقائيًا من الخبب إلى الركض لتجنب السقوط. علاوة على ذلك، كانت القدرة على البقاء هي العامل الوحيد الذي تم تحسينه من خلال مثل هذه التحولات في المشي.

يقول شافعي: “لقد أظهرنا أنه على التضاريس المسطحة والتضاريس المنفصلة الصعبة، تؤدي القدرة على البقاء إلى ظهور تحولات في المشي، لكن كفاءة استخدام الطاقة لا تتحسن بالضرورة”. “يبدو أن كفاءة استخدام الطاقة، التي كان يُعتقد سابقًا أنها المحرك لمثل هذه التحولات، قد تكون نتيجة أكثر أهمية. فعندما يتنقل الحيوان في تضاريس صعبة، فمن المرجح ألا تنخفض أولويته الأولى، تليها كفاءة الطاقة”.

بنية تعليمية مستوحاة من الحيوية

ولوضع نموذج للتحكم في الحركة في الروبوت الخاص بهم، أخذ الباحثون في الاعتبار العناصر الثلاثة المتفاعلة التي تحدد حركة الحيوانات: الدماغ والحبل الشوكي وردود الفعل الحسية من الجسم. استخدموا DRL لتدريب شبكة عصبية لتقليد انتقال إشارات الدماغ من الحبل الشوكي إلى الجسم أثناء اجتياز الروبوت للتضاريس التجريبية. بعد ذلك، قام الفريق بتعيين أوزان مختلفة لثلاثة أهداف تعليمية محتملة: كفاءة الطاقة، وتقليل القوة، والاستدامة. كشفت سلسلة من عمليات المحاكاة الحاسوبية أنه من بين هذه الأهداف الثلاثة، كانت القدرة على البقاء هي الهدف الوحيد الذي دفع الروبوت إلى تغيير مشيته تلقائيًا – دون تعليمات من العلماء.

يسلط الفريق الضوء على أن هذه الملاحظات تمثل أول إطار للحركة قائم على التعلم، حيث تظهر تحولات المشية تلقائيًا أثناء عملية التعلم، بالإضافة إلى العبور الأكثر ديناميكية لمثل هذه الفجوات المتتالية الكبيرة لروبوت رباعي الأرجل.

يقول شافي: “لقد أظهرت بنية التعلم المستوحاة من الحياة لدينا مرونة الروبوت رباعي الأرجل الحديث في التضاريس الصعبة”.

ويهدف الباحثون إلى توسيع عملهم من خلال تجارب إضافية تضع أنواعًا مختلفة من الروبوتات في مجموعة واسعة من البيئات القاسية. بالإضافة إلى مزيد من التوضيح لحركة الحيوانات، فإنهم يأملون أن يؤدي عملهم في نهاية المطاف إلى تمكين استخدام الروبوتات على نطاق أوسع في الأبحاث البيولوجية، وبالتالي تقليل الاعتماد على النماذج الحيوانية والقضايا الأخلاقية المرتبطة بها.

..

Source link

orcalimaa

المصدر الرئيسي للأخبار والمعلومات الصحية والطبية الموثوقة وفي الوقت المناسب . توفير معلومات صحية ذات مصداقية ومجتمع داعم وخدمات تعليمية من خلال مزج الخبرة الحائزة على جوائز في المحتوى والخدمات المجتمعية وتعليقات الخبراء والمراجعة الطبية .

مقالات ذات صلة

اترك تعليقاً

زر الذهاب إلى الأعلى