रोबोट लोकोमोशन

रोबोट लोकोमोशन विभिन्न विधियों के लिए सामूहिक नाम है जो रोबोट स्वयं को स्थान से स्थानांतरित करने के लिए उपयोग करते हैं।

व्हील वाले रोबोट आमतौर पर काफी ऊर्जा कुशल और नियंत्रित करने के लिए सरल होते हैं। हालांकि, अन्य कारणों के लिए लोकोमोशन के अन्य रूप अधिक उपयुक्त हो सकते हैं, उदाहरण के लिए किसी न किसी इलाके में घूमना, साथ ही साथ मानव वातावरण में चलना और बातचीत करना। इसके अलावा, द्विपक्षीय और कीट जैसी रोबोटों का अध्ययन बायोमेकॅनिक्स पर लाभकारी रूप से प्रभावित हो सकता है।

इस क्षेत्र में एक बड़ा लक्ष्य रोबोटों के स्वायत्तता से निर्णय लेने की क्षमता में है कि कैसे, कब, और कहां स्थानांतरित किया जाए। हालांकि, सीढ़ियों पर बातचीत की तरह, साधारण मामलों के लिए बड़ी संख्या में रोबोट जोड़ों को समन्वय करना मुश्किल है। स्वायत्त रोबोट लोकोमोशन रोबोटिक्स के कई क्षेत्रों, जैसे humanoids (होंडा के असिमो की तरह) के लिए एक प्रमुख तकनीकी बाधा है।

लोकेशन के प्रकार

चलना

चलने वाले रोबोट व्हीलड गति के प्रतिस्थापन के रूप में मानव या पशु गति को अनुकरण करते हैं। लीग गति से असमान सतहों, कदमों और अन्य क्षेत्रों पर बातचीत करना संभव हो जाता है जो एक व्हील वाले रोबोट तक पहुंचने में मुश्किल हो सकते हैं, साथ ही पर्यावरणीय इलाके को व्हील वाले रोबोट के रूप में कम नुकसान पहुंचाते हैं, जो इसे खराब कर देगा।

हेक्सापोड रोबोट कीट लोकोमोशन पर आधारित होते हैं, सबसे लोकप्रिय रूप से तिलचट्टा और छड़ी कीट, जिसका तंत्रिका विज्ञान और संवेदी उत्पादन अन्य जानवरों की तुलना में कम जटिल होता है। कई पैर कई अलग-अलग गेट्स की अनुमति देते हैं, भले ही पैर क्षतिग्रस्त हो, फिर भी उनके आंदोलनों को वस्तुओं को परिवहन करने वाले रोबोटों में अधिक उपयोगी बना दिया जाता है।

पैर तंत्र
एक पैर तंत्र (चलने की व्यवस्था) मनुष्यों या जानवरों की चलती गति को अनुकरण करने के उद्देश्य से लिंक और जोड़ों (एक जुड़ाव) की एक असेंबली है। मैकेनिकल पैरों में एक या अधिक एक्ट्यूएटर हो सकते हैं, और सरल प्लानर या जटिल गति कर सकते हैं।

एक पहिया की तुलना में, असमान इलाके में एक पैर तंत्र संभावित रूप से बेहतर होता है, क्योंकि यह बाधाओं पर कदम उठा सकता है।

Hexapod
एक छह फुट वाले पैदल चलने वाले रोबोट को स्टीवर्ट प्लेटफ़ॉर्म के साथ भ्रमित नहीं किया जाना चाहिए, रोबोटिक्स अनुप्रयोगों में उपयोग किए जाने वाले समानांतर मैनिपुलेटर का एक प्रकार।

हेक्सपॉड रोबोट एक यांत्रिक वाहन है जो छह पैरों पर चलता है। चूंकि एक रोबोट तीन या अधिक पैरों पर स्थिर रूप से स्थिर हो सकता है, इसलिए एक हेक्सपॉड रोबोट में यह कैसे चल सकता है में लचीलापन का एक बड़ा सौदा है। यदि पैर अक्षम हो जाते हैं, तो रोबोट अभी भी चलने में सक्षम हो सकता है। इसके अलावा, स्थिरता के लिए सभी रोबोट के पैरों की आवश्यकता नहीं है; अन्य पैर नए पैर प्लेसमेंट तक पहुंचने के लिए स्वतंत्र हैं या एक पेलोड में हेरफेर करते हैं।

कई हेक्सपॉड रोबोट जैक्सिक रूप से हेक्सापोडा लोकोमोशन से प्रेरित हैं। हेक्सापोड का उपयोग कीट लोकोमोशन, मोटर नियंत्रण, और न्यूरबायोलॉजी के बारे में जैविक सिद्धांतों का परीक्षण करने के लिए किया जा सकता है।

Bipedal चलना

निष्क्रिय गतिशीलता
निष्क्रिय गतिशीलता एक आपूर्ति (जैसे बैटरी, ईंधन, एटीपी) से ऊर्जा खींचते समय actuators, रोबोट, या जीवों के गतिशील व्यवहार को संदर्भित करता है। आवेदन के आधार पर, एक संचालित प्रणाली की निष्क्रिय गतिशीलता पर विचार या परिवर्तन करने से प्रदर्शन, विशेष रूप से ऊर्जा अर्थव्यवस्था, स्थिरता और कार्य बैंडविड्थ पर कठोर प्रभाव हो सकते हैं। किसी भी बिजली स्रोत का उपयोग करने वाले उपकरणों को “निष्क्रिय” माना जाता है, और उनके व्यवहार को उनकी निष्क्रिय गतिशीलता से पूरी तरह से वर्णित किया जाता है।

रोबोटिक्स के कुछ क्षेत्रों (विशेष रूप से पैर वाली रोबोटिक्स), निष्क्रिय गतिशीलता के डिजाइन और अधिक आराम से नियंत्रण 20 वीं शताब्दी के माध्यम से विकसित संयुक्त-स्थिति नियंत्रण विधियों के लिए एक पूरक (या यहां तक ​​कि वैकल्पिक) दृष्टिकोण बन गया है। इसके अतिरिक्त, जानवरों की निष्क्रिय गतिशीलता जैव-चिकित्सकों और एकीकृत जीवविज्ञानी के लिए ब्याज की है, क्योंकि ये गतिशीलता अक्सर जैविक गति और जोड़े को न्यूरोमेकेनिकल नियंत्रण के साथ कम करती है।

जांच और इंजीनियरिंग निष्क्रिय गतिशीलता के लिए विशेष रूप से प्रासंगिक क्षेत्रों में पैर की गई लोकोमोशन और हेरफेर शामिल हैं।

शून्य पल बिंदु
शून्य पल बिंदु एक गतिशीलता है जो गतिशील लोकेशन के गतिशीलता और नियंत्रण से संबंधित है, उदाहरण के लिए, humanoid रोबोट के लिए। यह बिंदु के साथ पैर के संपर्क में गतिशील प्रतिक्रिया बल के संबंध में बिंदु निर्दिष्ट करता है क्षैतिज दिशा में किसी भी क्षण का उत्पादन नहीं करता है, यानी वह बिंदु जहां क्षैतिज जड़ता और गुरुत्वाकर्षण बल कुल शून्य (शून्य) के बराबर होता है। अवधारणा मानती है कि संपर्क क्षेत्र प्लानर है और पैर को स्लाइडिंग से रखने के लिए पर्याप्त उच्च घर्षण है।

चल रहा है

उदाहरण: एएसआईएमओ, बिगडॉग, ह्यूबो 2, रनबॉट, और टोयोटा पार्टनर रोबोट।

रोलिंग

फ्लैट सतहों पर ऊर्जा दक्षता के मामले में, व्हील वाले रोबोट सबसे कुशल हैं। ऐसा इसलिए है क्योंकि एक आदर्श रोलिंग (लेकिन फिसलने नहीं) पहिया कोई ऊर्जा खो देता है। किसी दिए गए वेग पर एक व्हील रोलिंग की गति को बनाए रखने के लिए कोई इनपुट की आवश्यकता नहीं होती है। यह पैर वाले रोबोटों के विपरीत है जो परिणामस्वरूप हेल्स्ट्राइक पर जमीन के साथ प्रभाव डालते हैं और परिणामस्वरूप ऊर्जा खो देते हैं।

सादगी के लिए अधिकांश मोबाइल रोबोटों में चार पहियों या कई निरंतर ट्रैक होते हैं। कुछ शोधकर्ताओं ने केवल एक या दो पहियों के साथ अधिक जटिल व्हील वाले रोबोट बनाने की कोशिश की है। इनके कुछ फायदे हो सकते हैं जैसे अधिक दक्षता और कम हिस्सों, साथ ही एक रोबोट को सीमित स्थानों में नेविगेट करने की इजाजत देता है कि चार पहिया रोबोट सक्षम नहीं होगा।

उदाहरण: बो-बॉट, कॉस्मोबोट, एल्मर, एल्सी, एनोन, हीरो, इरोबोट बिल्ड, आईरोबोट्स रूमबा, जॉन्स हॉपकिन्स बीस्ट, लैंड वाकर, मॉड्यूलस रोबोट, मूसा, ओमनीबोट, पेपेरो, फोबोट, पॉकेटडेल्टा रोबोट, टॉकिंग ट्राश कैन, आरबी 5 एक्स , रोवियो, सेरोपी, रोकी, शेली, सोनी रॉली, स्पाइकी, टीआईएलआर, टॉपो, टीआर अरना और वाकामारू।

हॉपिंग

1 9 80 के दशक में एमआईटी लेग प्रयोगशाला में मार्क रायबर्ट द्वारा निर्मित कई रोबोटों ने सफलतापूर्वक बहुत गतिशील चलने का प्रदर्शन किया। प्रारंभ में, केवल एक पैर के साथ एक रोबोट, और एक बहुत छोटा पैर, बस hopping द्वारा सीधे रह सकता है। आंदोलन एक पोगो छड़ी पर एक व्यक्ति के समान है। चूंकि रोबोट एक तरफ गिरता है, यह खुद को पकड़ने के लिए उस दिशा में थोड़ी सी कूदता है। जल्द ही, एल्गोरिदम को दो और चार पैरों के लिए सामान्यीकृत किया गया था। एक द्विपक्षीय रोबोट को प्रदर्शित किया गया था और यहां तक ​​कि somersaults प्रदर्शन भी किया गया था। एक चौगुनी भी प्रदर्शित किया गया था जो ट्रॉट, रन, गति और बाध्य हो सकता था।

उदाहरण:

एमआईटी चीता क्यूब एक विद्युतीय रूप से संचालित चौगुनी रोबोट है जिसमें गतिशील अनुपालन पैर होते हैं जो गति की बड़ी श्रृंखला में स्वयं स्थिर हो जाते हैं।

Tekken II अनियमित इलाकों को अनुकूल रूप से चलने के लिए डिज़ाइन किया गया एक छोटा चौथाई है।

मेटाचोनल गति

समन्वयित, अनुक्रमिक यांत्रिक कार्रवाई जिसमें एक यात्रा लहर की उपस्थिति होती है उसे मेटाक्रोनल लय या लहर कहा जाता है, और परिवहन के लिए सिलीट्स द्वारा प्रकृति में नियोजित किया जाता है, और लोशन के लिए कीड़े और आर्थ्रोपोड द्वारा।

slithering

कई सांप रोबोट सफलतापूर्वक विकसित किए गए हैं। वास्तविक सांपों के रास्ते की नकल करने की नकल करते हुए, ये रोबोट बहुत ही सीमित जगहों पर नेविगेट कर सकते हैं, जिसका अर्थ है कि वे एक दिन का इस्तेमाल ध्वस्त इमारतों में फंस गए लोगों की तलाश में कर सकते हैं। जापानी एसीएम-आर 5 सांप रोबोट भूमि और पानी दोनों में भी नेविगेट कर सकता है।

उदाहरण: सांप-हाथ रोबोट, रोबोबोआ, और सांपबॉट।

तैराकी

एक स्वायत्त पानी के नीचे वाहन (एयूवी) एक रोबोट है जो ऑपरेटर से इनपुट की आवश्यकता के बिना पानी के भीतर यात्रा करता है। एयूवी अंडरवियर सिस्टम के एक बड़े समूह का हिस्सा बनते हैं, जिसे मानव रहित पानी के नीचे के वाहनों के नाम से जाना जाता है, एक वर्गीकरण जिसमें गैर-स्वायत्त दूरस्थ रूप से संचालित पानी के नीचे वाहन (आरओवी) शामिल होते हैं – एक ऑपरेटर / पायलट द्वारा नियंत्रित या रिमोट कंट्रोल के माध्यम से सतह से संचालित होते हैं। सैन्य अनुप्रयोगों में एक एयूवी को अक्सर मानव रहित अंडरसी वाहन (यूयूवी) के रूप में जाना जाता है। अंडरवाटर ग्लाइडर्स एयूवी का उप-वर्ग हैं।

Brachiating

ब्रैचेशन रोबोट को स्विंग करके यात्रा करने की अनुमति देता है, केवल ऊर्जा को पकड़ने और सतहों को छोड़ने के लिए ऊर्जा का उपयोग करता है। यह गति पेड़ से पेड़ से एक एप स्विंगिंग के समान है। दो प्रकार के ब्रैचिएशन की तुलना द्विपक्षीय चलने की गति (निरंतर संपर्क) या चलने (समृद्ध चिकित्सा) से की जा सकती है। निरंतर संपर्क तब होता है जब सतह को पार करने के लिए हमेशा हाथ / ग्रासिंग तंत्र संलग्न होता है; richochetal एक सतह / अंग से अगले तक अनाज “उड़ान” का एक चरण नियोजित करता है।

संकर

रोबोट को कई तरीकों से लोकोमोशन करने के लिए भी डिज़ाइन किया जा सकता है। उदाहरण के लिए, द्विपक्षीय सांप रोबो दोनों सांप की तरह झुका सकते हैं और एक दबाने वाले रोबोट की तरह चल सकते हैं।

दृष्टिकोण

गाय इंजीनियरिंग

उत्पाद अनुकूलन
उत्पादन अनुकूलन इसे अधिक वांछनीय बनाने के लिए किसी उत्पाद में परिवर्तन या समायोजन करने का अभ्यास है।

एक उत्पाद में कई विशेषताएं हैं। उदाहरण के लिए, सोडा की बोतल में विभिन्न पैकेजिंग विविधताएं, स्वाद, पौष्टिक मूल्य हो सकते हैं। मामूली समायोजन करके उत्पाद को अनुकूलित करना संभव है। आम तौर पर, लक्ष्य उत्पाद को अधिक वांछनीय बनाना और खरीद उद्देश्यों, विश्वासयोग्यता, खरीद की आवृत्ति आदि जैसे विपणन मीट्रिक को बढ़ाने के लिए है।

मोशन प्लानिंग
मोशन प्लानिंग (नेविगेशन समस्या या पियानो प्रेमी की समस्या के रूप में भी जाना जाता है) एक शब्द है जो रोबोटिक्स में एक वांछित आंदोलन कार्य को तोड़ने की प्रक्रिया के लिए प्रयोग किया जाता है जो आंदोलन की बाधाओं को पूरा करता है और संभवतः आंदोलन के कुछ पहलू को अनुकूलित करता है।

उदाहरण के लिए, एक दूर के रास्ते में एक इमारत के अंदर एक मोबाइल रोबोट नेविगेट करने पर विचार करें। दीवारों से परहेज करते हुए और सीढ़ियों से गिरने के दौरान इसे इस कार्य को निष्पादित करना चाहिए। एक मोशन प्लानिंग एल्गोरिदम इन कार्यों का विवरण इनपुट के रूप में ले लेगा, और रोबोट के पहियों को भेजे गए गति और मोड़ कमांड का उत्पादन करेगा। मोशन प्लानिंग एल्गोरिदम बड़ी संख्या में जोड़ों (उदाहरण के लिए, औद्योगिक मैनिपुलेटर्स), अधिक जटिल कार्यों (जैसे वस्तुओं का हेरफेर), विभिन्न बाधाओं (उदाहरण के लिए, एक कार जो केवल आगे बढ़ सकती है) के साथ रोबोट को संबोधित कर सकती है, और अनिश्चितता (जैसे अपूर्ण मॉडल पर्यावरण या रोबोट)।

मोशन प्लानिंग में कई रोबोटिक्स अनुप्रयोग हैं, जैसे कि सीएडी सॉफ़्टवेयर में स्वायत्तता, स्वचालन और रोबोट डिज़ाइन, साथ ही साथ डिजिटल क्षेत्रों, वीडियो गेम, कृत्रिम बुद्धि, वास्तुशिल्प डिजाइन, रोबोट सर्जरी, और अध्ययन के अध्ययन जैसे अन्य क्षेत्रों में अनुप्रयोग जैविक अणुओं।

मोशन कैप्चर मनुष्यों, कीड़ों और अन्य जीवों पर किया जा सकता है।
मोशन कैप्चर (कभी-कभी मो-कैप या मोकाप के रूप में संदर्भित), वस्तुओं या लोगों के आंदोलन को रिकॉर्ड करने की प्रक्रिया है। इसका उपयोग सैन्य, मनोरंजन, खेल, चिकित्सा अनुप्रयोगों, और कंप्यूटर दृष्टि और रोबोटिक्स के सत्यापन के लिए किया जाता है। फिल्म निर्माण और वीडियो गेम विकास में, यह मानव कलाकारों के रिकॉर्डिंग कार्यों को संदर्भित करता है, और 2 डी या 3 डी कंप्यूटर एनीमेशन में डिजिटल चरित्र मॉडल को एनिमेट करने के लिए उस जानकारी का उपयोग करता है। जब इसमें चेहरे और उंगलियों को शामिल किया जाता है या सूक्ष्म अभिव्यक्तियों को कैप्चर किया जाता है, तो इसे अक्सर प्रदर्शन कैप्चर के रूप में जाना जाता है। कई क्षेत्रों में, मोशन कैप्चर को कभी-कभी मोशन ट्रैकिंग कहा जाता है, लेकिन फिल्म निर्माण और गेम में, मोशन ट्रैकिंग आमतौर पर आगे बढ़ने के लिए अधिक संदर्भित करती है।

गति कैप्चर सत्रों में, एक या अधिक कलाकारों की गतिविधियों को प्रति सेकंड कई बार नमूना दिया जाता है। जबकि शुरुआती तकनीकों ने 3 डी पदों की गणना करने के लिए कई कैमरों से छवियों का उपयोग किया, अक्सर गति कैप्चर का उद्देश्य केवल अभिनेता की गतिविधियों को रिकॉर्ड करना है, न कि उनकी दृश्य उपस्थिति। यह एनीमेशन डेटा एक 3 डी मॉडल में मैप किया गया है ताकि मॉडल अभिनेता के समान कार्य करता है। राल्फ बक्षी के द लॉर्ड ऑफ द रिंग्स (1 9 78) और अमेरिकन पॉप (1 9 81) में देखा गया है, इस प्रक्रिया को रोटोस्कोपिंग की पुरानी तकनीक से अलग किया जा सकता है। इन फिल्मों में एनिमेटेड चरित्र आंदोलनों को लाइव एक्शन अभिनेता पर ट्रेस करके अभिनेता के गति और आंदोलनों को पकड़कर हासिल किया गया था। व्याख्या करने के लिए, एक अभिनेता को एक क्रिया करने के लिए फिल्माया जाता है, और फिर रिकॉर्ड की गई फिल्म को एनीमेशन टेबल फ्रेम-दर-फ्रेम पर पेश किया जाता है। एनिमेटर्स एनीमेशन सेल्स पर लाइव-एक्शन फुटेज का पता लगाते हैं, अभिनेता की रूपरेखा और मोशन फ्रेम-दर-फ्रेम को कैप्चर करते हैं, और फिर वे एनिमेटेड कैरेक्टर के साथ ट्रेस आउटलाइन को भरते हैं। पूर्ण एनीमेशन सेलों को तब फ्रेम-दर-फ्रेम की छायाचित्रित किया जाता है, जो वास्तव में लाइव-एक्शन फुटेज के आंदोलनों और कार्यों से मेल खाते हैं। इसका अंतिम परिणाम यह है कि एनिमेटेड चरित्र अभिनेता के लाइव-एक्शन आंदोलनों को प्रतिलिपि बनाता है। हालांकि, इस प्रक्रिया में काफी समय और प्रयास लगता है।

कैमरा आंदोलनों को भी गति पर कब्जा कर लिया जा सकता है ताकि दृश्य में एक वर्चुअल कैमरा कैमरा ऑपरेटर द्वारा संचालित मंच के चारों ओर पैन, झुकाव या डोली करेगा, जबकि अभिनेता प्रदर्शन कर रहा है। साथ ही, मोशन कैप्चर सिस्टम कैमरा और प्रोप के साथ-साथ अभिनेता के प्रदर्शन को कैप्चर कर सकता है। यह कंप्यूटर से उत्पन्न पात्रों, छवियों और सेटों को कैमरे से वीडियो छवियों के समान परिप्रेक्ष्य रखने की अनुमति देता है। एक कंप्यूटर डेटा को संसाधित करता है और सेट में ऑब्जेक्ट्स के मामले में वांछित कैमरा स्थिति प्रदान करते हुए अभिनेता की गतिविधियों को प्रदर्शित करता है। कब्जे वाले फुटेज से कैमरे के आंदोलन डेटा को पीछे से प्राप्त करने के लिए मिलान चलने या कैमरा ट्रैकिंग के रूप में जाना जाता है।

मशीन सीखना, आमतौर पर मजबूती सीखने के साथ।
मशीन लर्निंग (एमएल) कृत्रिम बुद्धि का एक क्षेत्र है जो कंप्यूटर सिस्टम को स्पष्ट रूप से प्रोग्राम किए बिना डेटा से “सीखने” की क्षमता (उदाहरण के लिए, एक विशिष्ट कार्य पर प्रदर्शन में सुधार करने की क्षमता) देने के लिए सांख्यिकीय तकनीकों का उपयोग करता है।

नाम मशीन लर्निंग 1 9 5 9 में आर्थर सैमुअल द्वारा बनाई गई थी। मशीन लर्निंग एल्गोरिदम के अध्ययन और निर्माण की पड़ताल करती है जो डेटा पर भविष्यवाणियों से सीख सकते हैं और भविष्यवाणी कर सकते हैं – ऐसे एल्गोरिदम नमूना इनपुट से मॉडल बनाने के माध्यम से डेटा संचालित भविष्यवाणियों या निर्णयों को बनाकर सख्ती से स्थिर प्रोग्राम निर्देशों का पालन करने से बचते हैं। मशीन लर्निंग कंप्यूटिंग कार्यों की एक श्रृंखला में नियोजित है जहां अच्छे प्रदर्शन के साथ स्पष्ट एल्गोरिदम डिजाइन और प्रोग्रामिंग मुश्किल या अक्षम है; उदाहरण अनुप्रयोगों में ईमेल फ़िल्टरिंग, नेटवर्क घुसपैठियों का पता लगाने, और कंप्यूटर दृष्टि शामिल हैं।

मशीन लर्निंग कम्प्यूटेशनल आंकड़ों से निकटता से संबंधित है (और अक्सर ओवरलैप), जो कंप्यूटर के उपयोग के माध्यम से पूर्वानुमान बनाने पर भी केंद्रित है। इसमें गणितीय अनुकूलन के साथ मजबूत संबंध हैं, जो क्षेत्र में विधियों, सिद्धांत और अनुप्रयोग डोमेन प्रदान करता है। मशीन सीखने को कभी-कभी डेटा खनन से भंग किया जाता है, जहां बाद वाला उपक्षेत्र अन्वेषणकारी डेटा विश्लेषण पर अधिक केंद्रित होता है और इसे असुरक्षित शिक्षा के रूप में जाना जाता है।

डेटा एनालिटिक्स के क्षेत्र में, मशीन लर्निंग एक जटिल विधि है जो जटिल मॉडल और एल्गोरिदम तैयार करने के लिए उपयोग की जाती है जो खुद को पूर्वानुमान के लिए उधार देती हैं; वाणिज्यिक उपयोग में, इसे भविष्यवाणी विश्लेषिकी के रूप में जाना जाता है। ये विश्लेषणात्मक मॉडल शोधकर्ताओं, डेटा वैज्ञानिकों, इंजीनियरों और विश्लेषकों को “विश्वसनीय, दोहराने योग्य निर्णयों और परिणामों का उत्पादन” करने और डेटा में ऐतिहासिक संबंधों और रुझानों से सीखने के माध्यम से “छिपी अंतर्दृष्टि” को उजागर करने की अनुमति देते हैं।