Soft-Roboter bekommt flexiblen Muskel verpasst

Forscher an der University of Tokyo haben einen Sensor für Soft-Roboter entwickelt, dessen Seele ein Gummischlauch ist. Er ist mit Kohlenstoffpartikeln angereichert, sodass er eine geringe elektrische Leitfähigkeit hat. Umhüllt ist er von einem Geflecht aus Draht. Wenn dieses Gebilde gestreckt beziehungsweise zusammengedrückt wird, wie es bei künstlichen Muskeln geschieht, verändert sich der elektrische Widerstand des Schlauchs. Dies lässt sich nutzen, um den Muskel zu steuern, sodass er möglichst wenig belastet wird und sich an die Umgebung anpasst.

Die Daten, die der Gummischlauch liefert, fließen in ein künstliches neuronales Netzwerk, das den Zustand der Muskeln exakt erfasst, so Kohei Nakajima, Assistenzprofessor für Informatik an der Hochschule. Bisher werde der Zustand der künstlichen Muskeln beispielsweise per Laser kontrolliert. In vielen Tests stellten wir fest, dass unser weicher Sensor den Zustand der Muskeln genauso gut erfasst wie ein Lasersystem.

Künstliche Muskeln liefen stets Gefahr, überlastet zu werden, sodass sie nicht mehr funktionstüchtig sind. Das verhindert ein Steuerungssystem, das Belastungen erfasst. Das Team nutzt "Reservoir Computing", ein machtvolles Instrument des Maschinenlernens, um den Muskel zu konstruieren und ihn in Echtzeit zu kontrollieren. So könne sich der Muskel, der den Soft-Roboter voranbringt, optimal an seine Umgebung anpassen.

Optimale Anpassung garantiert

Wenn die Umwelt vorhersagbar wäre, könnte sich ein Roboter prima bewegen, ohne etwas über seine Umgebung lernen zu müssen, so Nakajima. Doch sie ändere sich ständig. Aus diesem Grund sei maschinelles Lernen nötig, um in wechselnden Umgebungen angemessen zu reagieren. Das gelte für alle Roboter, die sich in freier Wildbahn bewegen, vor allem aber für die soften. Die eingesetzte Entwicklungstechnik lasse sich auch für andere Roboter nutzen, etwa für solche, die mit Menschen eng zusammenarbeiten. Weil sie weich sind, sei die Verletzungsgefahr gering. (pte)

http://www.u-tokyo.ac.jp/focus/en