康奈尔机器人的肌肉是爆米花做的,果然很有爆发力 | ICRA 2018

米栗 发自 凹非寺 
量子位 出品 | 公众号 QbitAI

640?wx_fmt=gif


每一粒玉米都是一个小宇宙,在爆炸的过程中,释放惊人的能量。

然后,变成爆米花。

不过,你爆的爆米花只能吃,康奈尔大学的爆米花,就能登陆机器人顶会ICRA 2018的演讲环节。

640?wx_fmt=gif

毕竟,让爆米花来做机器人的肌肉,并不是一般生物能够产生的想法。

物美价廉

一只玉米粒加热爆裂,是里面的水分变成了蒸气

640?wx_fmt=jpeg

这个过程中,玉米粒内部会产生900 kPa的压强,体积也至少膨胀成原来的5倍

就是看好这样强大的力量,研究团队才真的用爆米花做了机器人的抓手。

640?wx_fmt=jpeg

爆米花的能量,还是很便宜的能量。

只要用上合适的结构,内能就可以转化成有用的机械能。

一米多用

一种结构是,让玉米粒排成行,用镍铬合金线把它们卷起来,再拿硅片把这些东西包成一根棒棒。

电流通过的时候,棒棒的内心开始澎湃。

640?wx_fmt=png

当爆米花制作完成,棒棒就可以把挂在它身上的砝码,举起来了。

另外一种用法,是把一个小袋子里装满玉米粒。

当玉米粒膨胀起来,拉起机器人夹具的顶部,机械手指就了。

640?wx_fmt=gif

不过,机智的人类可能会发现,爆米花只能爆一次,爆完就缩不回去了。

团队想做的也不是一次性机器人,所以研究人员提出了一种方案——

让许多玉米粒合住在一个独立的隔热房间里。房间很大,每个玉米粒可以游到需要它的地方,在那里膨胀。

640?wx_fmt=jpeg

到了退房的时间,就往房间里注水,让爆米花们静静地溶解在水里,随着水流离开保温房。

你看这些,折纸技能造就的伸缩房。爆米花做好之后,房间就鼓了起来。

640?wx_fmt=jpeg

团队连买爆米花给的纸袋都没浪费,可能是看牛皮纸结实,膨胀效果也的确圆满。

可是,要注水的话,果然还是用别的材料吧。

人与自然

软体机器人的世界,真妖娆啊。

所以,这些科学家能想到用爆米花来做机器人的执行器,只是他们脑回路清奇而已?

不一定。

毕竟,康奈尔的校名,开头是个Corn

640?wx_fmt=jpeg

这所亲近自然的学府,有爬树课这样健康的活动,在玉米地里做研究也是再普通不过了。

论文传送门:
https://pdfs.semanticscholar.org/7b0b/ae9e14d9597373148f5a1a6605f8be6c29a1.pdf

活动报名

640?wx_fmt=jpeg

实习生招聘

量子位正在招募活动运营实习生,策划执行AI明星公司CEO、高管等参与的线上/线下活动,有机会与AI行业大牛直接交流。工作地点在北京中关村。简历欢迎投递到quxin@qbitai.com


具体细节,请在量子位公众号(QbitAI)对话界面,回复“实习生”三个字。

640?wx_fmt=jpeg

量子位 QbitAI · 头条号签约作者

վ'ᴗ' ի 追踪AI技术和产品新动态


深度学习是机器学习的一个子领域,它基于人工神经网络的研究,特别是利用多层次的神经网络来进行学习和模式识别。深度学习模型能够学习数据的高层次特征,这些特征对于图像和语音识别、自然语言处理、医学图像分析等应用至关重要。以下是深度学习的一些关键概念和组成部分: 1. **神经网络(Neural Networks)**:深度学习的基础是人工神经网络,它是由多个层组成的网络结构,包括输入层、隐藏层和输出层。每个层由多个神经元组成,神经元之间通过权重连接。 2. **前馈神经网络(Feedforward Neural Networks)**:这是最常见的神经网络类型,信息从输入层流向隐藏层,最终到达输出层。 3. **卷积神经网络(Convolutional Neural Networks, CNNs)**:这种网络特别适合处理具有网格结构的数据,如图像。它们使用卷积层来提取图像的特征。 4. **循环神经网络(Recurrent Neural Networks, RNNs)**:这种网络能够处理序列数据,如时间序列或自然语言,因为它们具有记忆功能,能够捕捉数据中的时间依赖性。 5. **长短期记忆网络(Long Short-Term Memory, LSTM)**:LSTM 是一种特殊的 RNN,它能够学习长期依赖关系,非常适合复杂的序列预测任务。 6. **生成对抗网络(Generative Adversarial Networks, GANs)**:由两个网络组成,一个生成器和一个判别器,它们相互竞争,生成器生成数据,判别器评估数据的真实性。 7. **深度学习框架**:如 TensorFlow、Keras、PyTorch 等,这些框架提供了构建、训练和部署深度学习模型的工具和库。 8. **激活函数(Activation Functions)**:如 ReLU、Sigmoid、Tanh 等,它们在神经网络中用于添加非线性,使得网络能够学习复杂的函数。 9. **损失函数(Loss Functions)**:用于评估模型的预测与真实值之间的差异,常见的损失函数包括均方误差(MSE)、交叉熵(Cross-Entropy)等。 10. **优化算法(Optimization Algorithms)**:如梯度下降(Gradient Descent)、随机梯度下降(SGD)、Adam 等,用于更新网络权重,以最小化损失函数。 11. **正则化(Regularization)**:技术如 Dropout、L1/L2 正则化等,用于防止模型过拟合。 12. **迁移学习(Transfer Learning)**:利用在一个任务上训练好的模型来提高另一个相关任务的性能。 深度学习在许多领域都取得了显著的成就,但它也面临着一些挑战,如对大量数据的依赖、模型的解释性差、计算资源消耗大等。研究人员正在不断探索新的方法来解决这些问题。
评论
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值