表面流的可视化，每个表面流都覆盖有其特征路径。任务的周期性流动模式之一，具有两个主要流动振荡的方向，如下所示(见箭头)。功劳:生物启发机器人实验室(BIRL)剑桥工程师展示了机械臂如何通过操纵水面上的表面波来远程控制漂浮物体的行程。利用深度强化学习(最适合管理复杂决策的人工智能领域)的最新进展，该团队提出了一种模拟流体相互作用的方法，为解决复杂的流体动力学问题提供了一种数据驱动的方法。流体表面漂浮物体的远程控制在小规模(例如细胞操作)、大规模(例如从小水体中收集漂浮碎片)和医学应用(包括将薄组织切片转移到显微镜载玻片上进行诊断)中有许多应用。然而，潜在的流体相互作用极难建模。他们的行为受到各种外部因素和内力的复杂相互作用的控制，这些因素和内力无法用数学方法可靠地预测。
通过利用机器人设备的精度和可重复性，加上深度学习和实验室环境中的真实实验，该部门生物启发机器人实验室(BIRL)的研究团队已经能够解决这个问题。他们开发了一个控制框架，可以将漂浮的物体从一个地方运送到另一个地方。机器人手臂学习使用试错法来控制漂浮物体所走的路径。强化学习教授的“智能代理”决定了最佳策略。研究结果发表在《科学报告》杂志上。
机器人学教授Fumiya Iida说:“激励我们开始这项研究的是，在制备用于癌症诊断的显微镜载玻片的过程中，医院技术人员在水面上导航漂浮的生物样本。对于今天的机器人来说，这是一项非常困难的任务，但通过我们的研究项目，我们已经朝着解决这一问题迈出了一步，实现了只有熟练的人类技术人员才能做到的自动化。”
软机器人传感和自愈研究助理托马斯·乔治·瑟鲁特尔博士说:“专业设备目前用于浮动物体的小规模远程操纵。通常，他们使用磁或光信号进行远程操作。然而，这增加了对例如设置和可控制的材料类型的限制。
“我们提出了一种方法，通过这种方法，重复的任务由机械臂执行，而不需要大量的反馈。我们使用机器人操纵器定期远程激发水(类似于狗从水池中划水得到网球)，以产生表面流动，从而将物体从任何起始位置移动到指定的目标位置，并以0°、90°和180°的旋转进行测试。我们发现，随着角度和路径长度的增加，观察到的轨迹变得更加不可预测，但平均而言，物体可以被运送到所需的位置。”
研究学生大卫·坚硬人说:“我们想通过用超声波或激光雷达传感器(一种遥感技术)来取代它来扩大我们的设置。这是可能的，因为事物的强化学习方面所需的唯一信息是浮动对象的起始位置和与目标的最终误差。未来，我们还将探索其在废弃物和石油泄漏处理方面的潜在应用。然而，要在这些现实应用中测试和验证这一点，还有很长的路要走。”
来源：由phyica.com整理转载自PH，转载请保留出处和链接！
