图1:构建支持机器学习的预测模型的三阶段框架，该模型能够为软机器自动设计应变传感器。credit:DOI:10.1038/s 42256-021-00434-8软机器——机器人学的一个子类，使用可变形材料代替刚性连杆——是一种新兴技术，通常用于可穿戴机器人学和仿生学(例如假肢)。软机器人具有显著的灵活性、出色的适应性和均匀分布的力，与传统的硬机器人和硬机器人相比，提供了更安全的人机交互。软机器的一个重要组成部分是高精度应变传感器，用于监控每个软体单元的应变变化，并实现高精度控制回路，同时还有一些新的挑战等待着我们。首先，软机器的复杂运动需要应变传感器监控200%的宽应变范围，这超过了传统应变传感器的能力。其次，为了监控软机器的协调运动，需要多个应变传感器来满足不同机器人单元的不同传感任务，这需要繁琐的试错测试。
为了解决这个问题，马里兰大学(UMD)的一个研究小组在UMD的化学和生物分子工程教授陈宝延的带领下，创建了一个机器学习(ML)框架，以促进预测模型的构建，该模型可用于进行双向设计任务:(1)基于制造配方预测传感器性能，以及(2)为足够的应变传感器推荐可行的制造配方。简而言之，该小组设计了一种机器智能，加速了软机器的设计。
“我们本质上创造的是一个基于机器学习框架的高精度预测软件，能够设计各种各样的应变传感器，这些传感器可以集成到不同的软机器中，”陈说。“用一个食物类比，我们给一个‘厨师’列出了一份食材清单，那个厨师能够根据顾客的个人口味设计出完美的饭菜。”
该技术可用于先进制造、水下机器人设计、假肢设计等领域。
这项研究发表在2022年1月26日的《自然机器智能》杂志上。如需了解更多关于陈博士的工作，请访问集团网站。
来源：由phyica.com整理转载自PH，转载请保留出处和链接！
