Passively Addressed Robotic Morphing Surface (PARMS) Based on Machine Learning

要約

再構成可能なモーフィング サーフェスは、高度なヒューマン マシン インターフェイスとバイオに着想を得たロボット工学に新たな機会を提供します。
オンデマンドで任意のサーフェスにモーフィングするには、十分に多数のアクチュエータと、ターゲット サーフェスを達成するために必要なアクチュエータ刺激を計算できる逆制御戦略を備えたデバイスが必要です。
モーフィング サーフェスのプログラム可能性は、独立したアクチュエータの数を増やすことで改善できますが、これにより制御システムの複雑さが増します。
したがって、コンパクトで効率的な制御インターフェイスと制御アルゴリズムを開発することは、広範なアプリケーションでモーフィング サーフェスを採用するための重要な知識のギャップです。
この作業では、マトリックス配置されたイオン アクチュエータで構成される受動的にアドレス指定されたロボット モーフィング サーフェス (PARMS) について説明します。
物理的な制御インターフェイスの複雑さを軽減するために、パッシブ マトリックス アドレッシングを導入しました。
マトリックス アドレス指定により、2N の制御入力のみを使用して独立したアクチュエータを制御できます。これは、従来の直接アドレス指定に必要な制御入力よりも大幅に少なくなります。
当社の制御アルゴリズムは、トレーニング データとして有限要素シミュレーションを使用した機械学習に基づいています。
この機械学習アプローチにより、リアルタイムで高精度の順方向と逆方向の両方の制御が可能になります。
逆制御のデモンストレーションは、PARMS が必要に応じて事前に定義された任意のサーフェスに動的に変形できることを示しています。
アクチュエータ マトリックス制御におけるこれらの革新により、ウェアラブル、ハプティクス、および拡張現実/仮想現実 (AR/VR) での PARMS の将来の実装が可能になる可能性があります。

要約(オリジナル)

Reconfigurable morphing surfaces provide new opportunities for advanced human-machine interfaces and bio-inspired robotics. Morphing into arbitrary surfaces on demand requires a device with a sufficiently large number of actuators and an inverse control strategy that can calculate the actuator stimulation necessary to achieve a target surface. The programmability of a morphing surface can be improved by increasing the number of independent actuators, but this increases the complexity of the control system. Thus, developing compact and efficient control interfaces and control algorithms is a crucial knowledge gap for the adoption of morphing surfaces in broad applications. In this work, we describe a passively addressed robotic morphing surface (PARMS) composed of matrix-arranged ionic actuators. To reduce the complexity of the physical control interface, we introduce passive matrix addressing. Matrix addressing allows the control of independent actuators using only 2N control inputs, which is significantly lower than control inputs required for traditional direct addressing. Our control algorithm is based on machine learning using finite element simulations as the training data. This machine learning approach allows both forward and inverse control with high precision in real time. Inverse control demonstrations show that the PARMS can dynamically morph into arbitrary pre-defined surfaces on demand. These innovations in actuator matrix control may enable future implementation of PARMS in wearables, haptics, and augmented reality/virtual reality (AR/VR).

arxiv情報

提供元, 利用サービス

arxiv.jp, Google