A locomoção de robôs é o nome coletivo dos vários métodos que os robôs usam para se transportar de um lugar para outro.

Robôs de rodas são tipicamente bastante eficientes em termos energéticos e simples de controlar. No entanto, outras formas de locomoção podem ser mais apropriadas por uma série de razões, por exemplo, percorrer terrenos acidentados, bem como mover e interagir em ambientes humanos. Além disso, estudar robôs bípedes e semelhantes a insetos pode ter um impacto benéfico na biomecânica.

Um objetivo importante nesse campo é desenvolver capacidades para robôs decidirem autonomamente como, quando e onde se mover. No entanto, coordenar um grande número de articulações robóticas para assuntos simples, como a negociação de escadas, é difícil. A locomoção autônoma de robôs é um grande obstáculo tecnológico para muitas áreas da robótica, como os humanóides (como o Asimo, da Honda).

Tipos de locomoção

Andando

Os robôs ambulantes simulam o movimento humano ou animal, como substituto do movimento das rodas. O movimento com pernas possibilita a negociação de superfícies irregulares, degraus e outras áreas que seriam difíceis de alcançar por um robô com rodas, além de causar menos danos ao terreno do ambiente como robôs com rodas, o que poderia danificá-lo.

Os robôs hexapodes são baseados na locomoção de insetos, mais popularmente o inseto da barata e do pau, cuja produção neurológica e sensorial é menos complexa que outros animais. Múltiplas pernas permitem vários andamentos diferentes, mesmo que a perna esteja danificada, tornando seus movimentos mais úteis em robôs que transportam objetos.

Mecanismo de perna
Um mecanismo de perna (mecanismo de caminhar) é um conjunto de elos e articulações (uma articulação) destinados a simular o movimento da marcha de humanos ou animais. Pernas mecânicas podem ter um ou mais atuadores e podem executar movimentos planares ou complexos simples.

Comparado a uma roda, um mecanismo de perna é potencialmente melhor adaptado a terrenos irregulares, já que pode ultrapassar obstáculos.

Hexapod
Um robô de seis pernas não deve ser confundido com uma plataforma Stewart, um tipo de manipulador paralelo usado em aplicações robóticas.

Um robô hexapode é um veículo mecânico que anda sobre seis pernas. Como um robô pode ser estaticamente estável em três ou mais pernas, um robô hexapode tem muita flexibilidade em como ele pode se mover. Se as pernas ficarem desativadas, o robô ainda poderá andar. Além disso, nem todas as pernas do robô são necessárias para a estabilidade; outras pernas estão livres para alcançar novas colocações de pé ou manipular uma carga útil.

Muitos robôs hexapod são inspirados biologicamente pela locomoção Hexapoda. Os hexaópodes podem ser usados ​​para testar teorias biológicas sobre locomoção de insetos, controle motor e neurobiologia.

Caminhada bípede

Dinâmica passiva
A dinâmica passiva refere-se ao comportamento dinâmico de atuadores, robôs ou organismos quando não se tira energia de um suprimento (por exemplo, baterias, combustível, ATP). Dependendo da aplicação, considerar ou alterar a dinâmica passiva de um sistema energizado pode ter efeitos drásticos no desempenho, principalmente economia de energia, estabilidade e largura de banda da tarefa. Os dispositivos que não usam fonte de energia são considerados “passivos” e seu comportamento é totalmente descrito por suas dinâmicas passivas.

Em alguns campos da robótica (em especial a robótica de pernas), o design e o controle mais relaxado da dinâmica passiva tornaram-se uma abordagem complementar (ou até alternativa) aos métodos de controle de posicionamento conjunto desenvolvidos durante o século XX. Além disso, a dinâmica passiva dos animais tem sido de interesse para os biomecânicos e biólogos integradores, uma vez que essas dinâmicas muitas vezes fundamentam os movimentos biológicos e acoplam-se ao controle neuromecânico.

Campos particularmente relevantes para a investigação e engenharia de dinâmica passiva incluem locomoção e manipulação legged.

Ponto de momento zero
Ponto de momento zero é um conceito relacionado com dinâmica e controle de locomoção de pernas, por exemplo, para robôs humanóides. Ele especifica o ponto em relação ao qual a força de reação dinâmica no contato do pé com o solo não produz nenhum momento na direção horizontal, isto é, o ponto em que o total de forças de inércia horizontal e gravidade é igual a 0 (zero). O conceito assume que a área de contato é plana e tem atrito suficientemente alto para impedir que os pés deslizem.

Corrida

Exemplos: ASIMO, BigDog, HUBO 2, RunBot e Toyota Partner Robot.

Rolando

Em termos de eficiência energética em superfícies planas, os robôs com rodas são os mais eficientes. Isso ocorre porque uma roda ideal (mas não escorregadia) não perde energia. Uma roda rolando a uma determinada velocidade não precisa de entrada para manter seu movimento. Isto está em contraste com robôs legged que sofrem um impacto com o solo em heelstrike e perdem energia como resultado.

Por simplicidade, a maioria dos robôs móveis possui quatro rodas ou várias faixas contínuas. Alguns pesquisadores tentaram criar robôs com rodas mais complexos com apenas uma ou duas rodas. Estes podem ter certas vantagens, como maior eficiência e peças reduzidas, além de permitir que um robô navegue em lugares confinados que um robô de quatro rodas não seria capaz de fazer.

Exemplos: Boe-Bot, Cosmobot, Elmer, Elsie, Enon, HERÓI, IRobot Create, Roomba de iRobot, Johns Hopkins Beast, Land Walker, robô Modulus, Musa, Omnibot, PaPeRo, Phobot, robô Pocketdelta, Empurrar o Talking Trash Can, RB5X Rovio, Seropi, Shakey, o robô, Sony Rolly, Spykee, TiLR, Topo, TR Araña e Wakamaru.

Saltitar

Vários robôs, construídos nos anos 1980 por Marc Raibert no Laboratório de Pernas do MIT, demonstraram com sucesso uma caminhada muito dinâmica. Inicialmente, um robô com apenas uma perna e um pé muito pequeno poderia ficar de pé simplesmente pulando. O movimento é o mesmo de uma pessoa em um pula-pula. Quando o robô cai para um lado, ele pula levemente nessa direção, para se pegar. Logo, o algoritmo foi generalizado para duas e quatro pernas. Um robô bípede foi demonstrado correndo e até mesmo dando cambalhotas. Um quadrúpede também foi demonstrado, que poderia trotar, correr, andar de um lado para o outro.

Exemplos:

O guindaste de chita MIT é um robô quadrúpede com motor elétrico, com pernas passivas complacentes, capazes de se autoestabilizarem em ampla faixa de velocidades.

O Tekken II é um pequeno quadrúpede projetado para caminhar em terrenos irregulares de forma adaptativa.

Movimento metacronal

A ação mecânica sequencial coordenada, que tem a aparência de uma onda viajante, é chamada de ritmo ou onda metacrônica e é empregada na natureza por ciliados para o transporte, e por vermes e artrópodes para locomoção.

Deslizando

Vários robôs de cobra foram desenvolvidos com sucesso. Imitando a maneira como as cobras reais se movem, esses robôs podem navegar por espaços muito confinados, o que significa que um dia poderão ser usados ​​para procurar por pessoas presas em prédios desmoronados. O robô de cobra japonês ACM-R5 pode até mesmo navegar tanto na terra quanto na água.

Exemplos: Robô de braço de serpente, Roboboa e Snakebot.

Natação

Um veículo subaquático autônomo (AUV) é um robô que viaja debaixo d’água sem precisar de informações de um operador. Os AUVs fazem parte de um grupo maior de sistemas submarinos conhecidos como veículos submarinos não tripulados, uma classificação que inclui veículos submarinos operados remotamente (ROVs) não autônomos – controlados e alimentados a partir da superfície por um operador / piloto via umbilical ou usando controle remoto. Em aplicações militares, um AUV é mais freqüentemente chamado de veículo submarino não tripulado (UUV). Planadores subaquáticos são uma subclasse de AUVs.

Braquial

A braquiação permite que os robôs viajem balançando, usando energia apenas para agarrar e soltar superfícies. Esse movimento é semelhante a um macaco balançando de árvore em árvore. Os dois tipos de braquial podem ser comparados a movimentos bipedais de caminhada (contato contínuo) ou corrida (richochetal). Contato contínuo é quando um mecanismo de mão / agarrar é sempre preso à superfície sendo cruzada; O richochetal emprega uma fase de “voo” aéreo de uma superfície / membro para a seguinte.

Híbrido

Os robôs também podem ser projetados para realizar a locomoção em múltiplos modos. Por exemplo, o Bipedal Snake Robo pode tanto deslizar como uma cobra e andar como um robô bípede.

Abordagens

Engenharia de marcha

Otimização de produtos
Otimização de produção é a prática de fazer alterações ou ajustes em um produto para torná-lo mais desejável.

Um produto tem vários atributos. Por exemplo, uma garrafa de refrigerante pode ter diferentes variações de embalagem, sabores e valores nutricionais. É possível otimizar um produto fazendo pequenos ajustes. Normalmente, o objetivo é tornar o produto mais desejável e aumentar as métricas de marketing, como Intenção de Compra, Credibilidade, Frequência de Compra, etc.

Planejamento de movimento
O planejamento de movimento (também conhecido como problema de navegação ou problema do movedor de piano) é um termo usado em robótica para o processo de decompor uma tarefa de movimento desejada em movimentos discretos que satisfaçam restrições de movimento e possivelmente otimizem algum aspecto do movimento.

Por exemplo, considere a navegação de um robô móvel dentro de um prédio para um waypoint distante. Deve executar essa tarefa evitando paredes e não caindo de escadas. Um algoritmo de planejamento de movimento teria uma descrição dessas tarefas como entrada e produziria a velocidade e os comandos de giro enviados para as rodas do robô. Algoritmos de planejamento de movimento podem endereçar robôs com um número maior de articulações (por exemplo, manipuladores industriais), tarefas mais complexas (por exemplo, manipulação de objetos), restrições diferentes (por exemplo, um carro que só pode avançar) e incerteza (por exemplo, modelos imperfeitos de o ambiente ou robô).

O planejamento de movimento tem várias aplicações robóticas, como autonomia, automação e design robótico no software CAD, bem como aplicativos em outros campos, como animação de personagens digitais, videogame, inteligência artificial, projeto arquitetônico, cirurgia robótica e estudo de moléculas biológicas.

A captura de movimento pode ser realizada em humanos, insetos e outros organismos.
A captura de movimento (às vezes chamada de m-cap ou mocap, abreviadamente) é o processo de registrar o movimento de objetos ou pessoas. É usado em aplicações militares, de entretenimento, esportivas, médicas e para validação de visão computacional e robótica. No cinema e no desenvolvimento de videogames, refere-se ao registro de ações de atores humanos e ao uso dessas informações para animar modelos de personagens digitais em animação de computador 2D ou 3D. Quando ele inclui rosto e dedos ou captura expressões sutis, muitas vezes é chamado de captura de desempenho. Em muitos campos, a captura de movimento é às vezes chamada de rastreamento de movimento, mas no cinema e nos jogos, o rastreamento de movimento geralmente se refere mais a jogos em movimento.

Nas sessões de captura de movimento, os movimentos de um ou mais atores são amostrados várias vezes por segundo. Enquanto as técnicas iniciais usavam imagens de múltiplas câmeras para calcular posições 3D, muitas vezes o objetivo da captura de movimento é registrar apenas os movimentos do ator, não sua aparência visual. Esses dados de animação são mapeados para um modelo 3D para que o modelo execute as mesmas ações que o ator. Esse processo pode ser contrastado com a técnica mais antiga de rotoscopia, como visto em O Senhor dos Anéis, de Ralph Bakshi (1978) e American Pop (1981). Os movimentos de personagens animados foram obtidos nesses filmes, traçando um ator de ação ao vivo, capturando os movimentos e movimentos do ator. Para explicar, um ator é filmado executando uma ação e, em seguida, o filme gravado é projetado em uma tabela de animação quadro a quadro. Os animadores rastreiam as cenas de ação ao vivo em animações, capturando o contorno e os movimentos do ator quadro a quadro, e então preenchem os contornos traçados com o personagem animado. As animações completas são então fotografadas quadro a quadro, combinando exatamente com os movimentos e ações das cenas ao vivo. O resultado final é que o personagem animado replica exatamente os movimentos de ação ao vivo do ator. No entanto, esse processo leva uma quantidade considerável de tempo e esforço.

Os movimentos da câmera também podem ser capturados por movimento, de modo que uma câmera virtual na cena se desloque, incline ou gire em torno do palco, conduzida por um operador de câmera enquanto o ator está tocando. Ao mesmo tempo, o sistema de captura de movimento pode capturar a câmera e os acessórios, assim como o desempenho do ator. Isso permite que os personagens, imagens e conjuntos gerados por computador tenham a mesma perspectiva que as imagens de vídeo da câmera. Um computador processa os dados e exibe os movimentos do ator, fornecendo as posições desejadas da câmera em termos de objetos no conjunto. A obtenção retroativa de dados de movimento da câmera a partir da gravação capturada é conhecida como movimentação de correspondência ou rastreamento da câmera.

Aprendizado de máquina, geralmente com aprendizado por reforço.
Aprendizado de máquina (ML) é um campo de inteligência artificial que usa técnicas estatísticas para dar aos sistemas de computador a capacidade de “aprender” (por exemplo, melhorar progressivamente o desempenho de uma tarefa específica) a partir de dados, sem ser explicitamente programado.

O aprendizado de máquinas foi cunhado em 1959 por Arthur Samuel. O aprendizado de máquina explora o estudo e a construção de algoritmos que podem aprender e fazer predições em dados – tais algoritmos superam as instruções estritamente estáticas do programa, fazendo previsões ou decisões baseadas em dados, através da construção de um modelo a partir de entradas de amostra. O aprendizado de máquina é empregado em uma variedade de tarefas de computação, nas quais o design e a programação de algoritmos explícitos com bom desempenho são difíceis ou inviáveis; aplicativos de exemplo incluem filtragem de e-mail, detecção de intrusos de rede e visão de computador.

O aprendizado de máquina está intimamente relacionado com (e frequentemente se sobrepõe a) estatísticas computacionais, que também se concentram na criação de previsões através do uso de computadores. Tem fortes laços com a otimização matemática, que fornece métodos, teoria e domínios de aplicação para o campo. O aprendizado de máquina é, às vezes, confundido com a mineração de dados, onde o último subcampo se concentra mais na análise exploratória de dados e é conhecido como aprendizado não supervisionado.

No campo da análise de dados, o aprendizado de máquina é um método usado para conceber modelos e algoritmos complexos que se prestam à previsão; em uso comercial, isso é conhecido como análise preditiva. Esses modelos analíticos permitem que pesquisadores, cientistas de dados, engenheiros e analistas “produzam decisões e resultados confiáveis ​​e repetíveis” e revelem “insights ocultos” por meio do aprendizado de relações e tendências históricas nos dados.