إن روبوت الحركة هو الاسم الجماعي للطرق المختلفة التي يستخدمها الروبوت في نقل نفسه من مكان إلى آخر.

إن الروبوتات ذات العجلات عادة ما تكون فعالة في استهلاك الطاقة وبسيطة للتحكم. ومع ذلك ، قد تكون الأشكال الأخرى للتنقل أكثر ملاءمة لعدد من الأسباب ، على سبيل المثال ، عبور التضاريس الوعرة ، وكذلك الانتقال والتفاعل في البيئات البشرية. وعلاوة على ذلك ، فإن دراسة الروبوتات ذات القدمين والحشرات قد تؤثر بشكل مفيد على الميكانيكا الحيوية.

يتمثل الهدف الرئيسي في هذا المجال في تطوير قدرات الروبوتات لتحديد كيف ومتى وأين تتحرك بشكل مستقل. ومع ذلك ، من الصعب تنسيق عدد كبير من مفاصل الروبوتات حتى في الأمور البسيطة ، مثل التفاوض على الدرج. إن حركة الإنسان الآلي الذاتي هي عقبة تكنولوجية كبرى في العديد من مجالات الروبوتات ، مثل الإنسان (مثل هوندا Asimo).

أنواع الحركة

المشي

الروبوتات المشي محاكاة حركة الإنسان أو الحيوان ، كبديل للحركة بعجلات. تجعل الحركة المنحرفة من الممكن التفاوض على الأسطح غير المستوية والخطوات وغيرها من المجالات التي يصعب على الروبوت المتحرك الوصول إليها ، كما أنها تسبب تلفًا أقل في التضاريس البيئية كروبوتات ذات عجلات ، مما يؤدي إلى تآكلها.

وتستند روبوتات سداسي الأرجل إلى حركة الحشرات ، وهي الأكثر شيوعًا بين حشرات الصراصير والعصا ، التي يكون ناتجها العصبي والحسي أقل تعقيدًا من الحيوانات الأخرى. تسمح الأرجل المتعددة بعدة شفرات مختلفة ، حتى في حالة تلف الساق ، مما يجعل تحركاتها أكثر فائدة في الروبوتات التي تنقل الأشياء.

آلية الساق
آلية الساق (آلية المشي) هي عبارة عن تجميع للوصلات والمفاصل (رابط) يهدف إلى محاكاة حركة المشي للإنسان أو الحيوان. يمكن أن تحتوي الأرجل الميكانيكية على مشغل واحد أو أكثر ، ويمكنها تنفيذ حركة بسيطة مستوية أو معقدة.

بالمقارنة مع العجلة ، من المحتمل أن تكون آلية الساق ملائمة بشكل أفضل لتضاريس الأرض ، لأنها قد تتخطى العقبات.

Hexapod
لا ينبغي الخلط بين الروبوت المسير ذي الستة أرجل وبين منصة ستيوارت ، وهو نوع من المناول المتوازي المستخدم في تطبيقات الروبوتات.

روبوت هيكسابود هي مركبة ميكانيكية تسير على ستة أرجل. نظرًا لأن الروبوت يمكن أن يكون ثابتًا بشكل ثابت على ثلاث أو أكثر من الأرجل ، فإن لدى روبوت سداسية الرأس قدرًا كبيرًا من المرونة في كيفية تحركه. إذا أصبحت الساقان معطلة ، قد يظل الروبوت قادرًا على المشي. علاوة على ذلك ، ليست كل أرجل الروبوتات مطلوبة للاستقرار ؛ الأرجل الأخرى حرة في الوصول إلى أماكن جديدة للقدم أو التلاعب في الحمولة.

العديد من الروبوتات هيكسابود مستوحاة من الناحية البيولوجية من خلال حركة Hexapoda. يمكن استخدام سداسي الأرجل لاختبار النظريات البيولوجية حول حركة الحشرات والتحكم في المحركات وعلم الأعصاب.

المشي بالبيدال

ديناميات سلبية
تشير الديناميات السلبية إلى السلوك الديناميكي للمشغلات ، أو الروبوتات ، أو الكائنات الحية عندما لا تستهلك الطاقة من مصدر (مثل البطاريات ، والوقود ، و ATP). اعتمادًا على التطبيق ، قد يؤدي التفكير في أو تغيير الديناميكيات السلبية لنظام يعمل بالطاقة إلى تأثيرات جذرية على الأداء ، لا سيما اقتصاد الطاقة والاستقرار وعرض النطاق الترددي للمهام. تعتبر الأجهزة التي لا تستخدم مصدر طاقة “سلبية” ، ويتم وصف سلوكها بالكامل من خلال ديناميكياتها السلبية.

في بعض مجالات الروبوتات (علم الروبوتات على نحو خاص) ، أصبح التصميم والتحكم الأكثر استرخاء في الديناميات السلبية نهجًا مكملاً (أو حتى بديلاً) لأساليب التحكم في تحديد المواقع المشتركة التي تم تطويرها خلال القرن العشرين. بالإضافة إلى ذلك ، كانت الديناميكيات السلبية للحيوانات ذات أهمية لبيوميكانيك وعلماء بيولوجيين تكامليين ، حيث أن هذه الديناميكيات غالباً ما تكمن وراء الحركات البيولوجية والزوجين مع السيطرة العصبية.

المجالات ذات الصلة بشكل خاص للتحقيق والهندسة ديناميكيات سلبية تشمل الحركة الفضفاضة والتلاعب.

نقطة الصفر لحظة
نقطة الصفر الحرجة هي مفهوم مرتبط بالديناميكيات والتحكم في حركة الأرجل ، على سبيل المثال ، بالنسبة إلى الروبوتات البشرية. وهو يحدد النقطة فيما يتعلق بقوة الحركة الديناميكية عند ملامسة القدم مع الأرض ولا ينتج أي لحظة في الاتجاه الأفقي ، أي النقطة التي يكون فيها مجموع الجمود الأفقي وقوى الجاذبية تساوي 0 (صفر). يفترض المفهوم أن منطقة التماس مستوية ولها احتكاك عالي بما فيه الكفاية للحفاظ على انزلاق القدمين.

جري

أمثلة: ASIMO و BigDog و HUBO 2 و RunBot و Toyota Partner Robot.

المتداول

من حيث كفاءة الطاقة على الأسطح المسطحة ، فإن الروبوتات ذات العجلات هي الأكثر كفاءة. هذا لأن عجلة التدحرج المثالية (ولكن ليس الانزلاق) لا تفقد أي طاقة. لا تحتاج عجلة المتداول بسرعة معينة إلى أي مدخلات للحفاظ على حركتها. هذا هو على النقيض من الروبوتات تدب التي تعاني من تأثير مع الأرض في heelstrike وفقدان الطاقة نتيجة لذلك.

من أجل البساطة ، تحتوي معظم الروبوتات المتحركة على أربع عجلات أو عدد من المسارات المستمرة. حاول بعض الباحثين إنشاء روبوتات أكثر تعقيدا مع عجلات واحدة أو عجلتين فقط. يمكن أن يكون لهذه الميزات مزايا معينة مثل الكفاءة الأكبر والأجزاء المخفّضة ، بالإضافة إلى السماح للإنسان الآلي بالانتقال في الأماكن المحصورة التي لا يستطيع الروبوت رباعي العجلات الوصول إليها.

أمثلة: Boe-Bot، Cosmobot، Elmer، Elsie، Enon، HERO، IRobot Create، iRobot’s Roomba، Johns Hopkins Beast، Land Walker، Modulus robot، Musa، Omnibot، PaPeRo، Phobot، Pocketdelta robot، Push the Talking Trash Can، RB5X ، روفيو ، Seropi ، Shakey الروبوت ، سوني Rolly ، Spykee ، TiLR ، توبو ، TR Araña ، و Wakamaru.

التنقل

نجحت عدة روبوتات ، تم بناؤها في الثمانينيات من قبل مارك رايبرت في مختبر ساق MIT ، في السير بشكل ديناميكي. في البداية ، يمكن للإنسان الآلي الذي لديه ساق واحدة فقط ، والقدم الصغيرة جداً أن يظل مستقيماً بمجرد التنقل. الحركة هي نفس حركة الشخص على عصا بوجو. وبينما يقع الروبوت في أحد الجوانب ، فإنه يقفز قليلاً في هذا الاتجاه لكي يمسك نفسه. قريبا ، تم تعميم الخوارزمية إلى اثنين وأربعة أرجل. تم عرض الروبوت ذي القدمين قيد التشغيل وحتى أداء الشقلبة. وأظهرت أيضا أربعة أضعاف والتي يمكن الهرولة ، تشغيل ، وتيرة ، ومقيدة.

أمثلة:

إن شبل الفهد من MIT هو روبوت رباعي الأضلاع يعمل بالطاقة الكهربائية مع أرجل ملتوية سلبية قادرة على تحقيق الاستقرار الذاتي في مجموعة كبيرة من السرعات.

تيكين 2 هو رباعي صغير مصمم للسير على الأراضي غير النظامية بشكل متكيف.

حركة متراكمة

ويسمى العمل الميكانيكي المتناسق والمتسلسل الذي يتميز بمظهر موجة متحركة بإيقاع أو موجة متتاليان ، ويتم استخدامه في الطبيعة من قبل الزواجات لأغراض النقل ، ومن خلال الديدان والمفصليات المنقولة للحركة.

الانزلاق

تم تطوير العديد من الروبوتات الثعبان بنجاح. تحاكي هذه الطريقة التي تتحرك بها الثعابين الحقيقية ، يمكنها أن تتنقل في أماكن ضيقة للغاية ، مما يعني أنها قد تستخدم يومًا ما للبحث عن الأشخاص المحاصرين في المباني المنهارة. يستطيع الروبوت الثعبان الياباني ACM-R5 التنقل بين اليابسة والماء.

أمثلة: الروبوت ذراع الأفعى ، Roboboa ، Snakebot.

سباحة

سيارة مستقلة تحت الماء (AUV) هي إنسان آلي يسافر تحت الماء دون الحاجة إلى مدخلات من المشغل. تشكّل AUVs جزءًا من مجموعة أكبر من الأنظمة تحت سطح البحر والمعروفة باسم المركبات تحت سطح الماء غير المأهولة ، وهو تصنيف يشمل المركبات غير المستخدمة التي تعمل عن بُعد والتي تعمل تحت الماء (ROVs) – والتي يتم التحكم فيها وتشغيلها من السطح بواسطة مشغّل / طيار عبر سرّ أو باستخدام جهاز تحكم عن بعد. في التطبيقات العسكرية غالبا ما يشار إلى AUV باسم المركبات البحرية غير المستخدمة (UUV). الطائرات الشراعية تحت الماء هي فئة فرعية من AUVs.

Brachiating

تسمح Brachiation للإنسان الآلي بالسفر عن طريق التأرجح ، باستخدام الطاقة فقط للاستيلاء على الأسطح وإطلاقها. هذه الحركة تشبه القرد يتأرجح من شجرة لأخرى. يمكن مقارنة هذين النوعين من brachiation بحركات المشي ثنائية الأقدام (الاتصال المستمر) أو الجري (richochetal). الاتصال المستمر هو عندما تكون آلية اليد / الإمساك متصلة دائما بالسطح الذي يتم عبوره ؛ توظف “ريشوتشيال” مرحلة من “الطيران” الهوائي من سطح / طرف إلى آخر.

هجين

يمكن أيضًا تصميم الروبوتات لتنفيذ التنقل في أوضاع متعددة. على سبيل المثال ، يمكن لثنائي الأفعى Bipedal على حد سواء انزلق مثل ثعبان والمشي مثل الروبوت ذو قدمين.

اقتراب

هندسة المشي

تحسين المنتج
تحسين الإنتاج هو ممارسة إجراء تغييرات أو تعديلات على منتج لجعله أكثر جاذبية.

يحتوي المنتج على عدد من السمات. على سبيل المثال ، يمكن أن تحتوي عبوة الصودا على أشكال مختلفة من التغليف ، النكهات ، القيم الغذائية. من الممكن تحسين المنتج عن طريق إجراء تعديلات طفيفة. عادةً ما يكون الهدف هو جعل المنتج أكثر رواجًا وزيادة المقاييس التسويقية مثل نية الشراء وإمكانية التصديق وتكرار الشراء وما إلى ذلك.

تخطيط الحركة
تخطيط الحركة (المعروف أيضا باسم مشكلة الملاحة أو مشكلة مشغل البيانو) هو مصطلح يستخدم في علم الروبوتات لعملية كسر مهمة الحركة المرغوبة في الحركات المنفصلة التي تلبي قيود الحركة وربما تحسين بعض جوانب الحركة.

على سبيل المثال ، جرّب التنقل عبر روبوت محمول داخل مبنى إلى نقطة طريق بعيدة. يجب أن تنفذ هذه المهمة مع تجنب الجدران وعدم سقوط السلالم. تأخذ خوارزمية تخطيط الحركة وصفاً لهذه المهام كإدخال ، وتنتج السرعة وتحول الأوامر المرسلة إلى عجلات الروبوت. قد تتناول خوارزميات تخطيط الحركة الروبوتات ذات عدد أكبر من المفاصل (مثل المتلاعبين الصناعيين) ، والمهام الأكثر تعقيدًا (مثل التلاعب في الكائنات) ، والقيود المختلفة (مثل السيارة التي لا يمكن إلا أن تدفع إلى الأمام) ، وعدم اليقين (على سبيل المثال ، النماذج غير الكاملة البيئة أو الروبوت).

يحتوي تخطيط الحركة على العديد من تطبيقات الروبوتات ، مثل الاستقلالية والأتمتة وتصميم الروبوت في برامج CAD ، بالإضافة إلى تطبيقات في مجالات أخرى ، مثل تحريك الشخصيات الرقمية ولعبة الفيديو والذكاء الاصطناعي والتصميم المعماري والجراحة الروبوتية ودراسة الجزيئات البيولوجية.

يمكن إجراء التقاط الحركة على البشر والحشرات وغيرها من الكائنات الحية.
تصوير الحركة (يشار إليه أحيانًا باسم mo-cap أو mocap ، باختصار) هو عملية تسجيل حركة الأشياء أو الأشخاص. يتم استخدامه في الجيش ، والترفيه ، والرياضة ، والتطبيقات الطبية ، والتحقق من صحة رؤية الكمبيوتر والروبوتات. في صناعة الأفلام وتطوير ألعاب الفيديو ، فإنه يشير إلى إجراءات تسجيل العناصر الفاعلة البشرية ، واستخدام تلك المعلومات لتحريك نماذج الشخصيات الرقمية في الرسوم المتحركة للكمبيوتر 2D أو 3D. عندما يتضمن الوجه والأصابع أو يلتقط تعبيرات دقيقة ، وغالبا ما يشار إليها باسم التقاط الأداء. في العديد من المجالات ، يطلق على التقاط الحركة أحيانًا تتبع الحركة ، ولكن في تتبع الأفلام والألعاب ، يشير تتبع الحركة عادةً إلى مزيد من المطابقة مع الحركة.

في جلسات التقاط الحركة ، يتم أخذ عينات من حركات واحدة أو أكثر من الممثلين عدة مرات في الثانية الواحدة. في حين استخدمت التقنيات المبكرة الصور من كاميرات متعددة لحساب المراكز الثلاثية الأبعاد ، غالبًا ما يكون الغرض من التقاط الحركة هو تسجيل حركات الممثل وليس مظهره المرئي. يتم تعيين بيانات الرسوم المتحركة هذه إلى نموذج ثلاثي الأبعاد ، بحيث ينفذ النموذج الإجراءات نفسها التي يقوم بها الممثل. قد تتناقض هذه العملية مع التقنية القديمة للفوتوسوبوبينج ، كما رأينا في رالف باكشي ، سيد الخواتم (1978) و البوب ​​الأمريكي (1981). وقد تحققت حركات الشخصيات المتحركة في هذه الأفلام من خلال البحث عن ممثل نشط ، واستيعاب حركات الممثل وحركاته. ولتوضيح ذلك ، يتم تصوير الممثل أثناء قيامه بإجراء ما ، ومن ثم يتم عرض الفيلم المسجل على جدول الرسوم المتحركة إطارًا تلو الآخر. يقوم المتحركون بتتبع لقطات الحركة الحية على قطع الرسوم المتحركة ، واستيعاب مخطط الممثل وحركاته إطارًا تلو الآخر ، ثم يقومون بملء الخطوط العريضة التي تم تتبعها باستخدام الحرف المتحرك. يتم بعد ذلك تصوير صور الرسوم المتحركة المكتملة إطارًا تلو الآخر ، بحيث تتطابق تمامًا مع حركات وأعمال لقطات الحركة الحية. والنتيجة النهائية لذلك هي أن الحرف المتحرك يكرر بالضبط حركة الحركة الحية للممثل. ومع ذلك ، فإن هذه العملية تستغرق قدرا كبيرا من الوقت والجهد.

يمكن أيضًا تحريك حركة الكاميرا بحيث يتم تحريك الكاميرا الافتراضية في المشهد أو إمالة أو دوللي حول المرحلة التي يقودها مشغل الكاميرا أثناء أداء الممثل. في نفس الوقت ، يمكن لنظام التقاط الحركة التقاط الكاميرا والدعائم وكذلك أداء الممثل. يتيح ذلك للأحرف والصور والمجموعات التي يتم إنشاؤها بواسطة الكمبيوتر أن يكون لها نفس منظور صور الفيديو من الكاميرا. يقوم الكمبيوتر بمعالجة البيانات وعرض حركات الفاعل ، مما يوفر أوضاع الكاميرا المرغوبة من حيث الكائنات الموجودة في المجموعة. يُعرف الحصول على بيانات حركة الكاميرا بأثر رجعي من اللقطات التي تم التقاطها باسم مطابقة الحركة أو تتبع الكاميرا.

التعلم الآلي ، عادة مع التعلم التعزيزي.
التعلم الآلي (ML) هو مجال الذكاء الاصطناعي الذي يستخدم تقنيات إحصائية لإعطاء أنظمة الكمبيوتر القدرة على “التعلم” (على سبيل المثال ، تحسين الأداء تدريجيا في مهمة محددة) من البيانات ، دون أن يتم برمجتها بشكل واضح.

صُمم اسم آلة التعلم في عام 1959 بواسطة آرثر صامويل. يستكشف التعلم الآلي دراسة وبناء الخوارزميات التي يمكن أن تتعلم من البيانات والتنبؤ بها – حيث تتغلب هذه الخوارزميات بعد اتباع تعليمات البرنامج الثابت بشكل صارم من خلال إجراء تنبؤات أو قرارات تستند إلى البيانات ، من خلال بناء نموذج من مدخلات العينة. يتم استخدام التعلم الآلي في مجموعة من مهام الحوسبة حيث يكون تصميم وبرمجة الخوارزميات الصريحة مع الأداء الجيد أمراً صعباً أو غير عملي ؛ تتضمن تطبيقات المثال تصفية البريد الإلكتروني وكشف المتطفلين على الشبكة ورؤية الكمبيوتر.

يرتبط التعلم الآلي ارتباطًا وثيقًا (وغالباً ما يتداخل مع) الإحصائيات الحسابية ، التي تركز أيضًا على صناعة التنبؤ من خلال استخدام أجهزة الكمبيوتر. وله علاقات قوية مع التحسين الرياضي ، الذي يقدم أساليب ونطاقات نظرية وتطبيقية إلى الميدان. في بعض الأحيان يتم خلط التعلم الآلي مع استخراج البيانات ، حيث يركز الحقل الفرعي الأخير بشكل أكبر على تحليل البيانات الاستكشافية ويُعرف بالتعلم غير الخاضع للرقابة.

في مجال تحليل البيانات ، يعد التعلم الآلي طريقة تستخدم في تصميم النماذج المعقدة والخوارزميات التي تناسب التنبؤ ؛ في الاستخدام التجاري ، يُعرف هذا باسم التحليلات التنبؤية. تتيح هذه النماذج التحليلية للباحثين وعلماء البيانات والمهندسين والمحللين “إنتاج قرارات ونتائج موثوقة وقابلة للتكرار” وكشف “الأفكار الخفية” من خلال التعلم من العلاقات والاتجاهات التاريخية في البيانات.