Roboterbewegung ist die Sammelbezeichnung für die verschiedenen Methoden, mit denen sich Roboter von Ort zu Ort bewegen.

Roboter mit Rädern sind normalerweise ziemlich energieeffizient und einfach zu steuern. Andere Fortbewegungsformen können jedoch aus einer Reihe von Gründen geeigneter sein, beispielsweise durch unebenes Gelände sowie durch Bewegung und Interaktion in menschlichen Umgebungen. Darüber hinaus kann das Studium von bipedalen und insektenartigen Robotern die Biomechanik vorteilhaft beeinflussen.

Ein Hauptziel in diesem Bereich ist die Entwicklung von Fähigkeiten, mit denen Roboter autonom entscheiden können, wann, wo und wann sie sich bewegen sollen. Es ist jedoch schwierig, eine große Anzahl von Robotergelenken für einfache Dinge, wie das Treppensteigen, zu koordinieren. Die autonome Roboterbewegung ist ein technologisches Hindernis für viele Bereiche der Robotik, beispielsweise für Humanoide (wie Honda Asimo).

Arten der Fortbewegung

Gehen

Laufroboter simulieren menschliche oder tierische Bewegungen als Ersatz für Radbewegungen. Die Bewegung mit Beinen ermöglicht das Befahren unebener Oberflächen, Stufen und anderer Bereiche, die für einen Roboter mit Rädern schwierig zu erreichen wären, und verursacht weniger Umweltschäden als Räder mit Rädern, die ihn untergraben würden.

Hexapod-Roboter basieren auf der Fortbewegung von Insekten, am häufigsten das Schaben- und Stäbcheninsekt, dessen neurologische und sensorische Leistung weniger komplex ist als andere Tiere. Mehrere Beine ermöglichen mehrere verschiedene Gangarten, auch wenn ein Bein beschädigt ist, wodurch ihre Bewegungen bei Robotern, die Objekte transportieren, nützlicher sind.

Beinmechanismus
Ein Beinmechanismus (Gehmechanismus) ist eine Anordnung von Verbindungen und Gelenken (einer Verbindung), die die Gehbewegung von Menschen oder Tieren simulieren soll. Mechanische Beine können einen oder mehrere Aktuatoren haben und einfache planare oder komplexe Bewegungen ausführen.

Verglichen mit einem Rad ist ein Beinmechanismus möglicherweise besser für unebenes Gelände geeignet, da er über Hindernisse treten kann.

Hexapod
Ein sechsbeiniger Laufroboter sollte nicht mit einer Stewart-Plattform verwechselt werden, einer Art Parallelmanipulator, der in Robotikanwendungen verwendet wird.

Ein Hexapod-Roboter ist ein mechanisches Fahrzeug, das auf sechs Beinen läuft. Da ein Roboter auf drei oder mehr Beinen statisch stabil sein kann, ist ein Hexapod-Roboter sehr flexibel in der Bewegungsmöglichkeit. Wenn die Beine behindert werden, kann der Roboter möglicherweise noch laufen. Darüber hinaus sind nicht alle Beine des Roboters für die Stabilität erforderlich. andere Beine können neue Fußpositionen erreichen oder eine Nutzlast manipulieren.

Viele Hexapod-Roboter sind biologisch durch die Fortbewegung von Hexapoda inspiriert. Hexapoden können verwendet werden, um biologische Theorien über die Fortbewegung von Insekten, die motorische Kontrolle und die Neurobiologie zu testen.

Zweibeiner zu Fuß

Passive Dynamik
Passivdynamik bezieht sich auf das dynamische Verhalten von Aktuatoren, Robotern oder Organismen, wenn keine Energie aus einem Vorrat (z. B. Batterien, Kraftstoff, ATP) entnommen wird. Je nach Anwendung kann die Berücksichtigung oder Änderung der passiven Dynamik eines angetriebenen Systems drastische Auswirkungen auf die Leistung haben, insbesondere im Hinblick auf Energieeffizienz, Stabilität und Aufgabenbandbreite. Geräte, die keine Stromquelle verwenden, werden als „passiv“ betrachtet und ihr Verhalten wird vollständig durch ihre passive Dynamik beschrieben.

In einigen Bereichen der Robotik (insbesondere der Robotik mit Beinen) ist das Design und die entspanntere Steuerung der Passivdynamik zu einem komplementären (oder sogar alternativen) Ansatz für die im 20. Jahrhundert entwickelten Steuerungsmethoden für die Gelenkpositionierung geworden. Darüber hinaus war die passive Dynamik von Tieren für Biomechaniker und integrative Biologen von Interesse, da diese Dynamik oft biologischen Bewegungen unterliegt und mit einer neuromechanischen Kontrolle gekoppelt ist.

Zu den für die Untersuchung und Entwicklung der passiven Dynamik relevanten Bereichen gehören insbesondere die Bewegung der Beinbewegung und die Manipulation.

Nullmomentpunkt
Der Null-Moment-Punkt ist ein Konzept, das mit der Dynamik und Kontrolle der Beinbewegung in Verbindung steht, z. B. für humanoide Roboter. Sie gibt den Punkt an, an dem die dynamische Reaktionskraft beim Kontakt des Fußes mit dem Boden in horizontaler Richtung kein Moment erzeugt, dh der Punkt, an dem die Summe der horizontalen Trägheits- und Schwerkraftkräfte gleich 0 (Null) ist. Das Konzept geht davon aus, dass die Kontaktfläche eben ist und eine ausreichend hohe Reibung aufweist, um ein Gleiten der Füße zu verhindern.

Laufen

Beispiele: ASIMO, BigDog, HUBO 2, RunBot und Toyota Partner Robot.

Rollen

In Bezug auf die Energieeffizienz auf ebenen Flächen sind Radroboter am effizientesten. Dies liegt daran, dass ein ideales rollendes (aber nicht rutschendes) Rad keine Energie verliert. Ein Rad, das mit einer bestimmten Geschwindigkeit rollt, benötigt keine Eingabe, um seine Bewegung aufrechtzuerhalten. Dies steht im Gegensatz zu mit Beinen versehenen Robotern, die beim Fersenaufprall auf den Boden treffen und dadurch Energie verlieren.

Zur Vereinfachung haben die meisten mobilen Roboter vier Räder oder eine Reihe von durchgehenden Spuren. Einige Forscher haben versucht, komplexere Radroboter mit nur einem oder zwei Rädern zu schaffen. Diese können bestimmte Vorteile haben, z. B. höhere Effizienz und geringere Teile sowie die Möglichkeit, dass ein Roboter an beengten Stellen navigieren kann, die ein Roboter mit vier Rädern nicht erreichen kann.

Beispiele: Boe-Bot, Cosmobot, Elmer, Elsie, Enon, HELD, IRobot Create, iRobots Roomba, John Hopkins-Bestie, Land Walker, Modulus-Roboter, Musa, Omnibot, PaPeRo, Phobot, Pocketdelta-Roboter, Push the Talking Trash Can, RB5X , Rovio, Seropi, Shakey der Roboter, Sony Rolly, Spykee, TiLR, Topo, TR Araña und Wakamaru.

Hüpfen

Mehrere Roboter, die in den 80er Jahren von Marc Raibert am MIT Leg Laboratory gebaut wurden, zeigten ein sehr dynamisches Gehen. Anfangs konnte ein Roboter mit nur einem Bein und einem sehr kleinen Fuß einfach durch Hüpfen aufrecht bleiben. Die Bewegung ist die gleiche wie die einer Person auf einem Pogo-Stick. Wenn der Roboter zur Seite fällt, springt er leicht in diese Richtung, um sich zu fangen. Bald wurde der Algorithmus auf zwei und vier Beine generalisiert. Ein zweibeiniger Roboter wurde beim Laufen und sogar beim Durchführen von Purzeln demonstriert. Es wurde auch ein Vierbeiner demonstriert, der traben, rennen, auf und ab gehen konnte.

Beispiele:

Das MIT Cheetah Cub ist ein elektrisch angetriebener Vierbeinroboter mit passgenauen Beinen, die sich in einem großen Geschwindigkeitsbereich selbst stabilisieren können.

Der Tekken II ist ein kleiner Vierbeiner, der adaptiv auf unregelmäßigem Gelände läuft.

Metachronale Bewegung

Eine koordinierte sequentielle mechanische Aktion mit dem Auftreten einer Wanderwelle wird als Metachronrhythmus oder -welle bezeichnet und wird in der Natur von Ciliaten für den Transport und von Würmern und Arthropoden für die Fortbewegung verwendet.

Gleiten

Mehrere Schlangenroboter wurden erfolgreich entwickelt. Diese Roboter ähneln der Art und Weise, wie sich echte Schlangen bewegen, können durch sehr enge Räume navigieren, was bedeutet, dass sie eines Tages für die Suche nach Menschen verwendet werden können, die in einem eingestürzten Gebäude eingeschlossen sind. Der japanische ACM-R5-Schlangenroboter kann sogar zu Lande und zu Wasser navigieren.

Beispiele: Schlangenarmroboter, Roboboa und Schlangenbot.

Schwimmen

Ein autonomes Unterwasserfahrzeug (AUV) ist ein Roboter, der unter Wasser fährt, ohne dass eine Bedienperson Eingaben erfordert. AUVs sind Teil einer größeren Gruppe von Unterwasserfahrzeugen, die als unbemannte Unterwasserfahrzeuge bekannt sind. Diese Klassifizierung umfasst nicht autonome ferngesteuerte Unterwasserfahrzeuge (ROVs), die von einem Bediener / Piloten über ein Versorgungskabel oder von der Oberfläche aus gesteuert und angetrieben werden. In militärischen Anwendungen wird ein AUV häufiger als unbemanntes Unterwasserfahrzeug (UUV) bezeichnet. Unterwassersegelflugzeuge sind eine Unterklasse von AUVs.

Brachiating

Brachiation erlaubt es Robotern, durch Schwingen zu reisen, wobei Energie nur zum Ergreifen und Lösen von Oberflächen verwendet wird. Diese Bewegung ähnelt einem Affen, der von Baum zu Baum schwingt. Die beiden Arten von Nachlässigkeit können mit bipedalen Gehbewegungen (Dauerkontakt) oder Laufen (Richochetal) verglichen werden. Dauerkontakt ist, wenn ein Hand- / Greifmechanismus immer an der gekreuzten Fläche angebracht ist; Richochetal verwendet eine „Flug“ -Phase von einer Oberfläche / einer Extremität zur nächsten.

Hybrid

Roboter können auch für die Fortbewegung in mehreren Modi ausgelegt werden. Zum Beispiel kann der Bipedal Snake Robo sowohl wie eine Schlange rutschen als auch wie ein Biped-Roboter laufen.

Ansätze

Gangwerkstechnik

Produktoptimierung
Produktionsoptimierung ist die Praxis, Änderungen oder Anpassungen an einem Produkt vorzunehmen, um es wünschenswerter zu machen.

Ein Produkt hat eine Reihe von Attributen. Beispielsweise kann eine Soda-Flasche unterschiedliche Verpackungsvarianten, Geschmacksrichtungen und Nährwerte aufweisen. Es ist möglich, ein Produkt durch geringfügige Anpassungen zu optimieren. Normalerweise besteht das Ziel darin, das Produkt wünschenswerter zu machen und Marketingkennzahlen wie Kaufabsicht, Glaubwürdigkeit, Kaufhäufigkeit usw. zu erhöhen.

Bewegungsplanung
Bewegungsplanung (auch bekannt als das Navigationsproblem oder das Problem des Klavierspielers) ist ein Begriff, der in der Robotik verwendet wird, um eine gewünschte Bewegungsaufgabe in diskrete Bewegungen zu zerlegen, die Bewegungsbeschränkungen erfüllen und möglicherweise einige Aspekte der Bewegung optimieren.

Ziehen Sie beispielsweise in Betracht, einen mobilen Roboter innerhalb eines Gebäudes zu einem entfernten Wegpunkt zu navigieren. Es sollte diese Aufgabe ausführen, während Wände vermieden werden und keine Treppen herunterfallen. Ein Bewegungsplanungsalgorithmus würde eine Beschreibung dieser Aufgaben als Eingabe nehmen und die Geschwindigkeits- und Wendebefehle erzeugen, die an die Räder des Roboters gesendet werden. Bewegungsplanungsalgorithmen können Roboter mit einer größeren Anzahl von Gelenken (z. B. industrielle Manipulatoren), komplexere Aufgaben (z. B. Manipulation von Objekten), unterschiedliche Einschränkungen (z. B. ein Auto, das nur vorwärts fahren kann) und Unsicherheit (z. B. unvollständige Modelle von) ansprechen die Umgebung oder den Roboter).

Die Bewegungsplanung umfasst mehrere Robotik-Anwendungen, wie Autonomie, Automatisierung und Roboterkonstruktion in CAD-Software sowie Anwendungen in anderen Bereichen, wie z. B. die Animation digitaler Charaktere, Videospiele, künstliche Intelligenz, architektonisches Design, Roboterchirurgie und die Untersuchung von biologische Moleküle.

Die Bewegungserfassung kann an Menschen, Insekten und anderen Organismen durchgeführt werden.
Motion Capture (manchmal auch als „Mo-Cap“ oder „Mocap“ bezeichnet) ist der Vorgang der Aufzeichnung der Bewegung von Objekten oder Personen. Es wird in der Militär-, Unterhaltungs-, Sport- und medizinischen Anwendung sowie zur Validierung von Computer Vision und Robotik eingesetzt. Bei der Entwicklung von Filmen und Videospielen bezieht sich dies auf das Aufzeichnen von Aktionen menschlicher Akteure und die Verwendung dieser Informationen zur Animation digitaler Charaktermodelle in 2D- oder 3D-Computeranimationen. Wenn es Gesicht und Finger enthält oder subtile Ausdrücke erfasst, wird dies häufig als Leistungserfassung bezeichnet. In vielen Bereichen wird Bewegungserfassung manchmal als Bewegungsverfolgung bezeichnet. In Filmen und Spielen bezieht sich Bewegungsverfolgung in der Regel jedoch eher auf die Bewegungserkennung.

In Bewegungserfassungssitzungen werden Bewegungen eines oder mehrerer Akteure viele Male pro Sekunde abgetastet. Während frühe Techniken Bilder von mehreren Kameras verwendeten, um 3D-Positionen zu berechnen, besteht der Zweck der Bewegungserfassung oft darin, nur die Bewegungen des Schauspielers aufzuzeichnen, nicht aber sein visuelles Aussehen. Diese Animationsdaten werden einem 3D-Modell zugeordnet, sodass das Modell dieselben Aktionen wie der Akteur ausführt. Dieser Vorgang kann sich der älteren Rotoskopie-Technik stellen, wie sie in Ralph Bakshis Der Herr der Ringe (1978) und American Pop (1981) zu sehen ist. Die animierten Charakterbewegungen wurden in diesen Filmen erreicht, indem über einen Live-Darsteller nachverfolgt und die Bewegungen und Bewegungen des Schauspielers erfasst wurden. Um zu erklären, wird ein Schauspieler mit einer Aktion gefilmt und der aufgezeichnete Film wird Frame für Frame auf einen Animationstisch projiziert. Animatoren zeichnen das Live-Action-Filmmaterial auf Animationsfilmen auf, erfassen die Umrisse und Bewegungen des Schauspielers Bild für Bild und füllen dann die nachgezogenen Umrisse mit dem animierten Charakter. Die fertigen Animationsfilme werden dann Bild für Bild fotografiert und passen genau zu den Bewegungen und Aktionen des Live-Action-Materials. Das Endergebnis ist, dass der animierte Charakter die Live-Action-Bewegungen des Schauspielers exakt reproduziert. Dieser Vorgang erfordert jedoch einen erheblichen Zeit- und Arbeitsaufwand.

Kamerabewegungen können auch durch Bewegungen erfasst werden, so dass eine virtuelle Kamera in der Szene die Bühne, die von einem Kameramann gesteuert wird, schwenkt, neigt oder rollt, während der Schauspieler agiert. Gleichzeitig kann das Motion Capture-System Kamera und Requisiten sowie die Leistung des Schauspielers erfassen. Dadurch können die vom Computer generierten Zeichen, Bilder und Sets dieselbe Perspektive wie die Videobilder der Kamera haben. Ein Computer verarbeitet die Daten und zeigt die Bewegungen des Schauspielers an, wobei die gewünschten Kamerapositionen in Form von Objekten im Set angegeben werden. Das nachträgliche Erhalten von Kamerabewegungsdaten aus dem aufgenommenen Filmmaterial wird als Match-Moving oder Kamera-Tracking bezeichnet.

Maschinelles Lernen, typischerweise mit verstärktem Lernen.
Maschinelles Lernen (ML) ist ein Gebiet künstlicher Intelligenz, das statistische Techniken verwendet, um Computersystemen die Möglichkeit zu geben, aus Daten „zu lernen“ (z. B. die Leistung bei einer bestimmten Aufgabe progressiv zu verbessern), ohne explizit programmiert zu werden.

Der Name Machine Learning wurde 1959 von Arthur Samuel geprägt. Maschinelles Lernen erforscht das Studium und den Aufbau von Algorithmen, die aus Daten lernen und Vorhersagen treffen können. Diese Algorithmen werden nach streng statischen Programmanweisungen überwunden, indem sie datengesteuerte Vorhersagen oder Entscheidungen treffen, indem sie ein Modell aus Stichprobeneingaben erstellen. Maschinelles Lernen wird bei einer Reihe von Rechenaufgaben eingesetzt, bei denen das Entwerfen und Programmieren expliziter Algorithmen mit guter Leistung schwierig oder nicht durchführbar ist. Beispielanwendungen umfassen E-Mail-Filterung, Erkennung von Netzwerk-Eindringlingen und Computer Vision.

Maschinelles Lernen steht in engem Zusammenhang mit (und überschneidet sich häufig) mit Computerstatistiken, die sich auch auf die Vorhersage durch den Einsatz von Computern konzentrieren. Es ist eng mit der mathematischen Optimierung verbunden, die dem Feld Methoden, Theorie und Anwendungsdomänen liefert. Maschinelles Lernen wird manchmal mit Data Mining kombiniert, wobei das letztere Teilfeld mehr auf explorative Datenanalyse fokussiert ist und als unüberwachtes Lernen bezeichnet wird.

Im Bereich der Datenanalyse ist maschinelles Lernen eine Methode, mit der komplexe Modelle und Algorithmen entwickelt werden, die sich für die Vorhersage eignen. Im kommerziellen Gebrauch wird dies als Predictive Analytics bezeichnet. Mithilfe dieser Analysemodelle können Forscher, Datenwissenschaftler, Ingenieure und Analysten „zuverlässige, wiederholbare Entscheidungen und Ergebnisse erzielen“ und „verborgene Einsichten“ aufdecken, indem sie aus historischen Zusammenhängen und Trends in den Daten lernen.