蛇,可谓最具创造力的动物之一。它们能够快速行动,悄然前进,攀越山地,挤进很小的洞内,甚至可以稍微滑翔一会儿。而且尽管外观与蜥蜴有些相似,但蛇类完全没有四肢。
蛇的创造力给研究人员带来想象力。长期以来,机器人专家们一直致力于蛇形机器人的研究,这主要是为了解决受限空间中的多功能机动性这一难题。考虑到这一点,目前市面已经拥有各种能够很好模仿蛇类“步态”的无肢机器人。然而,蛇类之所以特别,绝不单纯是因为其不具备四肢——蛇鳞同样居功至伟。
上周末,哈佛大学研究人员发表了一篇关于新型机器人的论文,利用蛇鳞结构的“各向异性摩擦特性(anisotropic frictional properties)”,从剪纸艺术找到设计灵感,能够制造出一种充气式柔性机器人,通过充气与放气的循环动作实现爬行。
哈佛大学希望这样的柔性机器人用于探索棘手且危险的地形、进行勘探或执行探索及救援,或者将该项技术小型化以执行人体内的医疗任务——这意味着,将改善过于复杂的机器人结构这一大缺陷。
这款机器人实现运动的关键在于“皮肤”。在拉伸时,机器人的外表面采用更具抓地力的三维纹理——剪接式鳞片皮肤的应用,为机器人提供了向前移动所必需的稳定抓地力。
哈佛大学约翰保尔森工程与应用科学学院的Ahmad Rafsanjani表示,“我们已经证实,剪纸工艺原理可以被纳入柔性机器人当中,从而以远简单于先前技术的方式更快、更便宜地实现运动能力。”这种简化效果,体现在该机器人只需要一台电机即可驱动——而原有柔性机器人往往需要多套驱动装置。
具体设计方面,研究人员们利用激光切割机在塑料片上刻下多个微型切口,而后将该材料缠绕在可膨胀与放气的硅胶管周围。在充气时,切口会弹起并抓住地面。而在放气时,机器人即可向前移动。该胶管本身还包裹有凯夫拉尔纤维,用以保持机器人的固有形状。
全部蛇鳞都指向相同的方向,从而提到可利用的摩擦力,使蛇体更容易向前移动而非向后移动。虽然这会使蛇很难向后移动,但同时亦意味着蛇类可以首先将全部鳞片张开以获得向前的动势,而后沿腹部收拢以推动身体后退。如此一来,只要蛇鳞在前后移动的过程中摩擦力相等,其即可略微退后。再有,由于蛇鳞存在朝向,因此其一侧光滑而另一侧粗糙。这意味着只要蛇类能够停留在表面,其即可顺利向前移动。值得一提的是,这也正是bristlebots的工作原理。
为了制造与蛇鳞类似的鳞片皮肤,该团队制造了各种可伸缩的塑料片,尝试了多种不同的切口形状,且每一片鳞片都通过激光蚀刻刻有独特的图案。这种结构使得机器人在躯体膨胀并拉伸鳞片材料时,原本平均的鳞片会变形并从机器人体内弹出,进而抓住地面并将躯体的反复膨胀转化为向前运动。这种方式简单、成本低廉且非常有效。
经过三角形与圆形切割之后,该团队最终发现梯形鳞片最适合这款特定蛇形机器人,不是因为梯形能够产生更大的摩擦力,恰恰相反,梯形允许鳞片得以充分伸展,从而帮助机器人在膨胀自身躯体时得以产生更长的“步幅”。只要鳞片设计能够在机器人向前移动时有效将自身锚定在地面上(提供更强大的抓地力),那么机器人即可将向前移动快速转换为原地拉伸。而如果对三角形鳞片进行过度拉伸,那么塑料表层会略微出现永久变形,这意味着即使机器人处于放气阶段,鳞片也仍然稍为张开。
然而,研究人员注意到,鳞片设计存在一项缺点,即在机器人处于放气状态时,鳞片所能产生的摩擦力将显著降低——这是因为鳞片在此阶段会被收回。要解决这个问题,他们需要确保机器人不可进行充分放气——当供气量在0到12毫升之间循环变化时,该爬行机器人的运行效率最佳,相较于采用纯柔性剪接皮肤建立的履带式设计,前者的运动效率高出约22%。
该团队还试验了绳状与非绳状系统设计原型。在绳状设计当中,绳索用于向履带提供充气用的空气。但为了实现最终版本的完全自动化,其尾部需要充斥各种电源、控制器、执行器以及传感器。
这不是机器人首次从蛇身上找灵感设计。斯坦福大学所开发的救援机器人与Eelume公司的水下维修机器人同样与蛇类相关。同时,也已经出现了剪纸式设计在太阳能电池与石墨烯纳米技术领域的应用。不过据我们所知,哈佛大学的蛇形机器人是首次将二者设计研究加以结合。
【哈佛大学关于“蛇形机器人”论文Kirigami skins make a simple soft actuator craw获取方式:关注科技行者公众号(itechwalker),打开对话界面,回复关键字“蛇形机器人”,即可获得下载地址】
来源:theverge.com
编译整理:科技行者
好文章,需要你的鼓励
AIM Intelligence联合多所知名大学揭示了音频AI系统的重大安全漏洞,开发出名为WhisperInject的攻击方法。这种攻击能让看似无害的音频指令操控AI生成危险内容,成功率超过86%,完全绕过现有安全机制。研究暴露了多模态AI系统的系统性安全风险,对全球数十亿智能设备构成潜在威胁。
新加坡国立大学研究团队系统梳理了视觉强化学习领域的最新进展,涵盖超过200项代表性工作。研究将该领域归纳为四大方向:多模态大语言模型、视觉生成、统一模型框架和视觉-语言-动作模型,分析了从RLHF到可验证奖励范式的政策优化策略演进,并识别出样本效率、泛化能力和安全部署等关键挑战,为这一快速发展的交叉学科提供了完整的技术地图。
浙江大学研究团队通过OmniEAR基准测试揭示了当前AI模型在物理世界推理方面的严重缺陷。测试显示,即使最先进的AI在明确指令下能达到85-96%成功率,但面对需要从物理约束推断行动的任务时,成功率骤降至56-85%。研究发现信息过载反而降低AI协作能力,监督学习虽能改善单体任务但对多智能体协作效果甚微,表明当前架构存在根本局限性。
纽约大学和Aimpoint Digital Labs的研究团队首次揭示了Transformer模型训练中"大规模激活"的完整发展轨迹。这些影响力比普通激活大千倍的"超级激活"遵循可预测的数学规律,研究者开发出五参数公式能以98.4%准确率预测其变化。更重要的是,通过调整模型架构参数如注意力密度、宽深比等,可以在训练前就预测和控制这些关键激活的行为,为设计更高效、量化友好的AI模型提供了全新工具。