Arquitectura del algoritmo de propagación posterior al agarre, con puntos azules y rojos que representan agarres antes y después del procesamiento, respectivamente. La parte correcta visualiza las matrices de parámetros de agarre antes y después del procesamiento, donde los colores representan los valores relativos de los parámetros de agarre. Crédito: Zhang et al, 2024
El avance de la inteligencia artificial (IA) ha marcado el comienzo de una nueva era de robótica automatizada que se adaptan a sus entornos.
El campo de la robótica ha hecho avances notables en las últimas décadas, pero continúa enfrentando desafíos que obstaculizan la utilización completa de su potencial. Los robots tradicionales a menudo confían en instrucciones preprogramadas y configuraciones restringidas, lo que limita su capacidad para responder a circunstancias imprevistas. Las tecnologías de IA, que abarca la cognición, el análisis, la inferencia y la toma de decisiones, se deben a los robots para operar de manera inteligente, mejorando significativamente sus capacidades para ayudar y apoyar a los humanos.
Al aumentar los robots con tecnologías de IA dentro de los sistemas de ingeniería, podemos esperar aplicaciones más presentes en la industria, la agricultura, la logística, la medicina y más, lo que permite a los robots realizar tareas complejas con una mayor autonomía y eficiencia. Esta mejora tecnológica libera el potencial de la robótica en las aplicaciones del mundo real, ofrece soluciones para presionar problemas médicos y ambientales y facilitar un cambio de paradigma hacia la fabricación inteligente en el contexto de la revolución de la industria 4.0.
Con la aplicación de AI, un equipo de investigación dirigido por el Prof. Dan Zhang, presidente de robótica inteligente y automatización en el Departamento de Ingeniería Mecánica, y el director del Instituto de Investigación de Tecnología e Innovación de Polyu-Nanjing en la Universidad Politécnica de Hong Kong (Polyu) ha fabricado una serie de nuevos sistemas robóticos con un rendimiento dinámico de alto dinámico.
El equipo de investigación del Prof. Zhang ha propuesto recientemente un marco de detección de pose de agarre que aplica redes neuronales profundas para generar un rico conjunto de posturas omnidireccionales (en seis grados de libertad “6-DOF”). Para detectar los objetos a captar, las redes neuronales convolucionales (CNN) se aplican a un cilindro a múltiples escala con radios variables, proporcionando información geométrica detallada sobre la estimación de ubicación y tamaño de cada objeto.
Múltiples perceptrones de múltiples capas (MLP) optimizan los parámetros de precisión del manipulador robótico para agarrar objetos, incluido el ancho de la pinza, la puntuación de agarre (para ángulos de rotación en el plano específicos y las profundidades de la pinza), así como la detección de colisiones. Estos parámetros se alimentan en un algoritmo dentro del marco, extendiendo los agarres de las configuraciones preestablecidas para generar poses de comprensión integrales adaptadas para la escena.
Los experimentos revelan que el método propuesto supera consistentemente el método de referencia en las simulaciones de laboratorio, logrando una tasa de éxito promedio de 84.46% en comparación con el 78.31% para el método de referencia en experimentos del mundo real.
Además, el equipo de investigación aprovecha las tecnologías de IA para mejorar la funcionalidad y la experiencia del usuario de un nuevo exoesqueleto robótico de rodilla para la rehabilitación de la marcha de pacientes con discapacidad articular de la rodilla. La estructura del exoesqueleto incluye un actuador alimentado por un motor eléctrico para ayudar a la flexión/extensión de la rodilla activamente, una articulación del tobillo que transfiere el peso del exoesqueleto al suelo y un mecanismo de ajuste de rigidez alimentado por otro motor eléctrico.
Se aplica una red larga de memoria a corto plazo (LSTM) en un algoritmo de aprendizaje automático para proporcionar rigidez no lineal en tiempo real y ajustes de torque, imitando las características biomecánicas de la articulación de la rodilla humana. La red está entrenada en un gran conjunto de datos de señales de electromiografía (EMG) y datos de movimiento de la articulación de la rodilla, lo que permite ajustes en tiempo real de la rigidez y el torque del exoesqueleto basado en las señales fisiológicas y las condiciones de movimiento del usuario. Al predecir los ajustes necesarios, el sistema se adapta a varios requisitos de la marcha, mejorando la estabilidad y la comodidad del usuario del usuario.
La integración de un algoritmo de control de aceptación adaptativa basado en redes de función de base radial (RBF) permite que el exoesqueleto de rodilla robótica ajuste automáticamente los ángulos de las juntas y los parámetros de rigidez sin la necesidad de sensores de fuerza o torque. Esto mejora la precisión del control de posición y mejora la capacidad de respuesta del exoesqueleto a diferentes posturas para caminar. Este enfoque basado en datos refina las predicciones del modelo y mejora el rendimiento general con el tiempo.
Los resultados experimentales demuestran que el modelo supera los métodos de control fijos tradicionales en términos de precisión y capacidad de respuesta en tiempo real, generando la trayectoria de referencia de referencia deseada para los usuarios a diferentes velocidades de caminata.
La investigación del profesor Zhang y su equipo revela que las técnicas de IA, particularmente el aprendizaje profundo, han mejorado la capacidad de los robots para percibir y comprender sus entornos. Este avance contribuye a soluciones más efectivas y flexibles para manejar tareas más allá de las configuraciones fijas en configuraciones estándar.
La fusión de IA y robótica no solo mejora la precisión y la precisión, sino que también introduce nuevas capacidades para la automatización robótica, lo que permite la toma de decisiones en tiempo real y el aprendizaje continuo. Como resultado, los robots pueden mejorar su rendimiento con el tiempo, lo que lleva a la utilización extendida de la robótica en la sociedad para futuros esfuerzos.
Más información: Dan Zhang et al, adaptación inteligente: la fusión de IA y robótica para entornos dinámicos (2024)
Proporcionado por la Universidad Politécnica de Hong Kong
Cita: Adaptación inteligente: La fusión de IA y robótica para entornos dinámicos (2025, 9 de junio) Recuperado el 9 de junio de 2025 de https://techxplore.com/news/2025-06-smart-fusion-ai-hobotics-dynamic.html
Este documento está sujeto a derechos de autor. Además de cualquier trato justo con el propósito de estudio o investigación privada, no se puede reproducir ninguna parte sin el permiso por escrito. El contenido se proporciona solo para fines de información.
