ロボットの移動は、ロボットが場所を移動するために使用するさまざまな方法の総称です。

車輪付きロボットは、通常、エネルギー効率が高く、制御が簡単です。 しかし、他の形態の移動は、例えば、荒れた地形を通り抜けたり、人間の環境で動いたり相互作用したりするなど、いくつかの理由により適切かもしれない。 さらに、二足歩行および昆虫様ロボットの研究は、生体力学に有益な影響を及ぼす可能性がある。

この分野の主な目標は、ロボットがどのように、いつ、どこに移動するかを自律的に決定する機能を開発することです。 しかし、階段の交渉のように、単純な問題でも多数のロボットジョイントを調整することは困難です。 自律的なロボットの移動は、ヒューマノイド(ホンダのAsimoのような)のようなロボット工学の多くの分野にとって大きな技術的障害である。

移動の種類

ウォーキング

歩行ロボットは、人の動きをシミュレートし、車輪運動の代替物として使用します。 脚式の動きにより、車輪付きロボットが到達しにくい不均一な表面、階段、その他の領域を交渉することが可能になります。車輪付きロボットのように環境地形に与えるダメージも少なくなり、侵食されます。

ヘキサポッドロボットは、最も一般的にはゴキブリおよびスティック昆虫であり、その神経学的および感覚的産出が他の動物よりも複雑でない昆虫の移動に基づいている。 複数の脚は、たとえ脚が損傷したとしても、複数の異なる歩容を許容し、物体を運ぶロボットにその動きをより有用にする。

脚機構
脚機構(歩行機構)は、人間または動物の歩行動作をシミュレートするためのリンクおよび関節(リンケージ)のアセンブリである。 機械式レッグは、1つ以上のアクチュエータを有することができ、単純な平面または複雑な動作を行うことができる。

車輪と比較して、脚機構は、障害物を踏み越えることができるので、不均等な地形に適している可能性があります。

ヘキサポッド
6足歩行ロボットは、ロボットアプリケーションで使用される一種の平行マニピュレータであるStewartプラットフォームと混同しないでください。

ヘキサポッドロボットは、6本の足を歩く機械式の車両です。 3つ以上の脚でロボットを静的に安定させることができるので、ヘキサポッドロボットは、どのように動くことができるかに大きな柔軟性があります。 脚が無効になると、ロボットはまだ歩くことができます。 さらに、ロボットの足のすべてが安定性のために必要なわけではありません。 他の足は自由に新しい足の配置に到達したり、ペイロードを操作することができます。

多くのヘキサポッドロボットは、六冊子の移動によって生物学的に影響を受けています。 ヘキサポッドは、昆虫の移動、運動制御、および神経生物学に関する生物学的理論を試験するために使用され得る。

二足歩行

パッシブダイナミクス
受動的動力学とは、電源(例えば、バッテリ、燃料、ATP)からエネルギーを引き出さない場合のアクチュエータ、ロボット、または生物の動的挙動を指す。 アプリケーションに応じて、受動システムのパッシブダイナミックスを検討または変更すると、パフォーマンス、特にエネルギー経済、安定性、およびタスクの帯域幅に大きな影響を及ぼす可能性があります。 電源を使用しないデバイスは「パッシブ」とみなされ、その動作はパッシブダイナミックスによって完全に記述されます。

ロボット工学のいくつかの分野(特に脚ロボット)では、受動的動力学の設計とより緩やかな制御が、20世紀を通じて開発された関節位置決め制御方法に対する補完的(あるいは代替的)なアプローチとなっている。 さらに、動物の受動的動態は、生体力学および統合生物学者にとって興味深いものであり、これらの動力学はしばしば生物学的運動の根底にあり、神経力学的制御と関連している。

パッシブダイナミクスの調査および工学に特に関連する分野には、脚式の移動および操作が含まれる。

ゼロモーメントポイント
ゼロモーメントポイントは、例えばヒューマノイドロボットのための脚式歩行の動力学および制御に関連する概念である。 それは、足と地面との接触における動的反力が水平方向にいかなるモーメントも生じない点、すなわち、水平慣性力と重力力の合計が0(ゼロ)に等しい点を特定する。 この概念は、接触領域が平面であり、足が滑り落ちないように十分に高い摩擦を有すると仮定する。

ランニング

例:ASIMO、BigDog、HUBO 2、RunBot、Toyota Partner Robot。

圧延

平らな面でのエネルギー効率の面では、車輪付きロボットが最も効率的です。 これは理想的な転がり(滑りがない)車輪がエネルギーを失うためです。 所与の速度で回転する車輪は、その運動を維持するために入力を必要としない。 これは、ヒールストライクで地面に衝撃を与え、結果としてエネルギーを失う脚のロボットとは対照的です。

単純化のために、ほとんどの移動ロボットは4つの車輪または多数の連続軌道を有する。 ある研究者は、1つまたは2つの車輪だけで、より複雑な輪転ロボットを作成しようとしています。 これらは、四輪ロボットができない限られた場所でロボットをナビゲートできるようにするとともに、効率の高さや部品の削減などの利点があります。

例:Boe-Bot、Cosmobot、Elmer、Elsie、Enon、HERO、IRobot作成、iRobot’s Roomba、Johns Hopkins Beast、Land Walker、モジュラスロボット、Musa、Omnibot、PaPeRo、Phobot、Pocketdeltaロボット、Talking Trash Can、RB5X 、Rovio、Seropi、Shakeyロボット、Sony Rolly、Spykee、TiLR、Topo、TRAraña、Wakamaruなどがあります。

ホッピング

MIT Leg LaboratoryのMarc Raibertが1980年に構築したいくつかのロボットは、非常に動的な歩行を成功裏に実演しました。 最初は、脚が1つしかなく、足が非常に小さいロボットは、ホッピングするだけで直立した状態を保つことができました。 ポゴスティックの人の動きと同じです。 ロボットが片側に落ちると、ロボットはそれを捕らえるためにその方向にわずかに飛びます。 まもなくアルゴリズムは2本と4本の足に一般化されました。 二足歩行ロボットが実行され、宙返りを実行することが実証されました。 歩行、走り、ペース、バウンドが可能な四足歩行も実演されました。

例:

MITチーター・キューブは、広い範囲の速度で自立できる受動的な脚を備えた電動四足ロボットです。

Related Post

Tekken IIは不規則な地形を適応的に歩くように設計された小さな四足形です。

メタクロナス運動

進行波の出現を伴う協調的で連続的な機械的作用は、異常的なリズムまたは波と呼ばれ、自然界で繊毛虫によって輸送のために、また虫および節足動物によって運動のために使用される。

スライディング

いくつかのヘビロボットが成功裏に開発された。 実際のヘビの動きを模倣して、これらのロボットは非常に限られたスペースをナビゲートすることができます。つまり、ある日、崩壊した建物に閉じ込められた人々を検索するために使用されることがあります。 日本のACM-R5ヘビロボットは、陸上と水上の両方を航行することもできます。

例:スネークアームロボット、ロボボア、スネークボット。

水泳

自律型水中車両(AUV)は、オペレータからの入力を必要とせずに水中を移動するロボットです。 AUVは、非自律遠隔操作型水中車両(ROV)を含む分類である、無人水中車両として知られている海底システムの大部分を構成しています。 軍事用途では、AUVは無人海底車両(UUV)と呼ばれることが多い。 水中のグライダーはAUVのサブクラスです。

Brachiating

Brachiationは、ロボットがスイングすることにより、エネルギーを使って表面をつかんで解放することができます。 この動きは、樹木から樹木に揺れ動く猿と似ています。 2つのタイプのbrachiationは、二足歩行動作(連続接触)またはrunning(richochetal)と比較することができます。 連続接触は、手/把持機構が常に交差している表面に取り付けられているときである。 richochetalは片面/四肢から次の面への扁平な “飛行”の段階を採用しています。

ハイブリッド

ロボットは、複数のモードで歩行を行うように設計することもできます。 例えば、バイペダル・スネーク・ロボは、ヘビのように滑り、二足歩行ロボットのように歩くことができます。

アプローチ

歩行工学

製品の最適化
生産最適化とは、製品をより望ましいものにするために製品を変更または調整することです。

製品には多数の属性があります。 例えば、ソーダボトルは、異なる包装のバリエーション、風味、栄養価を有することができる。 わずかな調整だけで製品を最適化することは可能です。 通常、目標は製品をより望ましいものにし、購入意図、信頼性、購入頻度などのマーケティング指標を高めることです。

運動計画
運動計画(ナビゲーション問題またはピアノムーバーの問題としても知られている)は、運動制約を満足する離散運動に所望の運動タスクを分解し、場合によっては運動の一部の側面を最適化するプロセスのためにロボット工学で使用される用語である。

たとえば、ビル内の移動ロボットを遠方のウェイポイントに誘導することを検討してください。 壁を避け階段を落ちないようにしながら、この作業を実行する必要があります。 モーション計画アルゴリズムは、これらのタスクの説明を入力として取り、ロボットの車輪に送信される速度および回転コマンドを生成する。 モーション計画アルゴリズムは、より多くの関節(例えば、産業マニピュレータ)、より複雑なタスク(例えば、オブジェクトの操作)、異なる制約(例えば、前方に進むことができる車)、および不確実性環境またはロボット)。

モーション計画には、CADソフトウェアのオートノミー、オートメーション、ロボット設計などのロボティクスアプリケーションだけでなく、デジタルキャラクター、ビデオゲーム、人工知能、建築設計、ロボット手術などの他の分野のアプリケーションも含まれます。生物学的分子。

モーションキャプチャは、人間、昆虫および他の生物に対して実施することができる。
モーションキャプチャ(時にはmo-capまたはmocapとも呼ばれます)は、オブジェクトや人の動きを記録するプロセスです。 軍用、娯楽、スポーツ、医療用、コンピュータビジョンとロボット工学の検証に使用されています。 映画制作やビデオゲーム開発では、人間の俳優の行動を記録し、その情報を使って2Dまたは3Dコンピュータアニメーションでデジタルキャラクターモデルをアニメーション化することを指します。 顔や指などが含まれている場合や微妙な表現が含まれている場合は、パフォーマンスキャプチャと呼ばれることがよくあります。 多くの分野でモーションキャプチャはモーショントラッキングと呼ばれることがありますが、映画制作やゲームでは、モーショントラッキングは通常、動きに合わせてより多くのものを参照します。

モーションキャプチャセッションでは、1人または複数のアクターの動きが毎秒何回もサンプリングされます。 初期の技術では、複数のカメラからの画像を使用して3D位置を計算していましたが、モーションキャプチャの目的は、俳優の動きだけを記録することです。 このアニメーションデータは、モデルがアクタと同じアクションを実行するように3Dモデルにマップされます。 このプロセスは、Ralph Bakshiの「The Lord of the Ring」(1978)とAmerican Pop(1981)に見られるように、ロトスコープの古い技術とは対照的です。 アニメキャラクターの動きは、これらの映画では、アクターの動きや動きをキャプチャして、実写俳優をたどることによって達成されました。 説明するために、俳優がアクションを取って撮影され、次に記録されたフィルムがフレームごとにアニメーションテーブルに投影される。 アニメーターは、ライブアクションのフッテージをアニメーションセルにトレースし、アクターのアウトラインとモーションをフレーム単位でキャプチャし、トレースされたアウトラインにアニメーション文字を埋め込みます。 完成したアニメーションセルは、フレームごとに撮影され、実写映像の動きや動作に正確にマッチします。 最終的な結果は、アニメーションキャラクターがアクターのライブアクションムーブメントを正確に再現するということです。 しかし、このプロセスにはかなりの時間と労力がかかります。

カメラの動きをモーションキャプチャすることもできます。これにより、シーン内の仮想カメラは、アクタが実行している間にカメラオペレータによって駆動されるステージの周りをパン、チルトまたはドリーになります。 同時に、モーションキャプチャシステムは、カメラと小道具、および俳優のパフォーマンスをキャプチャすることができます。 これにより、コンピュータ生成の文字、画像およびセットは、カメラからのビデオ画像と同じパースペクティブを有することが可能になる。 コンピュータがデータを処理し、アクタの動きを表示し、セット内のオブジェクトに関して所望のカメラ位置を提供する。 キャプチャされた映像から遡及的にカメラ動きデータを取得することは、マッチ移動またはカメラ追跡として知られている。

機械学習、通常は強化学習。
機械学習(ML)は、統計的手法を用いて明示的にプログラムすることなく、データからコンピュータシステムに「学習する」(例えば、特定のタスクのパフォーマンスを徐々に向上させる)能力を与える人工知能の分野です。

1959年、アーサー・サミュエルによって名器の学習が始まりました。 機械学習では、データを基にしてモデルを構築することで、データ駆動型の予測や決定を行うことで厳密に静的なプログラム命令に従うアルゴリズムが克服できるように、データから学び、予測を行うアルゴリズムの研究と構築を探求しています。 機械学習は、優れた性能を持つ明示的なアルゴリズムを設計およびプログラミングすることが困難または実行不可能なさまざまなコンピューティングタスクに採用されています。 電子メールフィルタリング、ネットワーク侵入者の検出、コンピュータビジョンなどのアプリケーションの例があります。

機械学習は計算統計と密接に関連しており(また、しばしば重複する)、コンピュータの使用による予測作成にも重点を置いています。 数学的最適化と強く結びついており、手法、理論、応用分野を分野に提供しています。 後者のサブフィールドは探索的データ分析に重点を置いており、教師なし学習として知られています。

データ分析の分野では、機械学習は複雑なモデルやアルゴリズムを考案して予測に役立つ方法です。 商業的には予測分析と呼ばれています。 これらの分析モデルにより、研究者、データ科学者、エンジニア、アナリストは、信頼できる再現可能な意思決定と結果を生み出し、過去の関係やデータの傾向から学ぶことで「隠された洞察」を明らかにすることができます。

Share