PhoneBot از یک مغز گوشی هوشمند اندرویدی قدیمی 50 دلاری با دوربین هایش به عنوان چشم استفاده می کند - فناوری Frankenstein یک پلت فرم ربات انسان نما منبع باز برای سازندگان است.

PhoneBot از تلفن های هوشمند اندرویدی ارزان برای کنترل بینایی، حس کردن و راه رفتن استفاده می کند

محققان دانشگاه UCLA یک ربات انسان نما با سخت افزار تقریبا 400 دلاری ساختند

چهار گوشی اندرویدی وظایف محاسباتی و سنجش اصلی PhoneBot را بر عهده داشتند محققان دانشگاه کالیفرنیا، لس آنجلس (UCLA)، PhoneBot، یک ربات انسان نما جمع و جور ساخته اند که از تلفن های هوشمند ارزان قیمت برای سنجش و محاسبات دوباره استفاده می کند.

این پلتفرم منبع باز تقریبا 400 دلار برای سخت افزار رباتیک خود هزینه دارد، به استثنای تلفن، که آن را به طور قابل توجهی ارزان تر از چندین سیستم تحقیقاتی کوچک انسان نمای موجود می کند.

PhoneBot 483 میلی متر قد، 1.8 کیلوگرم وزن دارد و از 13 موتور سروو برای کنترل پاها و تنه چرخان خود در حین حرکت استفاده می کند.

تلفن‌های هوشمند قدیمی از کنترل بینایی، محاسبات و روبات استفاده می‌کنند

PhoneBot به جای نیاز به دوربین‌های اختصاصی، حسگرهای حرکتی و یک کامپیوتر گران‌قیمت داخلی، برای این کارکردها به سخت‌افزار موجود گوشی هوشمند متکی است.

دوربین آن افراد را ردیابی می کند، در حالی که واحد اندازه گیری اینرسی داخلی اطلاعات حرکتی را ارائه می دهد که به ربات کمک می کند تعادل را حفظ کند و حرکات راه رفتن آموخته را اجرا کند.

یک کامپیوتر مجزا در داخل ربات ارتباطات موتوری را کنترل می کند و دستورات بی سیم را از تلفن هوشمند از طریق Wi-Fi دریافت می کند و آنها را به حرکات مشترک تبدیل می کند.

این ربات دارای شش مفصل فعال در هر پا است که باسن، زانو و مچ پا را می پوشاند، در کنار مفصل دیگری که بالاتنه و گوشی هوشمند نصب شده را می چرخاند.

این چیدمان به دوربین اجازه می‌دهد بدون نیاز به چرخش کل بدن ربات به سمت افراد بچرخد و از ردیابی و سایر تعاملات مبتنی بر بینایی پشتیبانی می‌کند.

محققان چهار گوشی اندرویدی را آزمایش کردند، از جمله یک Honor 9 قدیمی که در سال 2017 منتشر شد و سه گوشی ارزان قیمت تقریبا 50 تا 80 دلار.

هر چهار دستگاه از عملکردهای اصلی برنامه، از جمله حسگر حرکت، کنترل راه رفتن، تشخیص بصری و تعامل انسانی پشتیبانی می‌کردند، اگرچه ویژگی‌های خاصی بین مدل‌ها متفاوت بود.

این برنامه سیاست های حرکتی را از طریق TensorFlow Lite اجرا می کند، در حالی که دوربین تلفن از تشخیص فرد و تخمین وضعیت در کنار سایر عملکردهای ادراک پشتیبانی می کند.

تمرین به تعادل در راه رفتن کمک می کند و هزینه های سخت افزاری را کاهش می دهد

این تیم کنترل کننده راه رفتن PhoneBot را با استفاده از یادگیری تقویتی در شبیه سازی، پاداش دادن به حرکات مورد نظر در حالی که وضعیت ناپایدار و بارگذاری بیش از حد موتور را جریمه می کند، آموزش دادند.

آزمایش‌های اولیه الگوهای راه رفتن ناهمواری را به همراه داشت که ربات به طور نامتناسبی به یک پا تکیه می‌کرد و محققان را بر آن داشت تا نمونه‌های آموزشی آینه‌ای را معرفی کنند.

این روش به طور موثر به کنترلر با استفاده از حرکات چپ و راست مربوطه آموزش می دهد و تقارن راه رفتن را بدون نیاز به مراحل فیزیک شبیه سازی شده اضافی بهبود می بخشد.

در طول پنج دوره آموزشی مستقل، یادگیری آینه‌ای خطای تقارن زاویه مفصل را از 0.254 رادیان به 0.003 رادیان در طول ارزیابی‌های بعدی کاهش داد.

محققان همچنین عدم تعادل گشتاور چپ-راست را از 0.205 به 0.034 کاهش دادند، در حالی که عدم تعادل نیروی مکانیکی از 0.339 به 0.040 کاهش یافت.

تظاهرات فیزیکی شامل راه رفتن، ریکاوری از حالت رو به پایین و هدایت دوربین گوشی هوشمند به سمت افراد بدون چرخاندن مداوم پاهای ربات بود.

PhoneBot توسط سرووهای کم مصرف خود محدود می شود، که وزنی را که می تواند حمل کند و حرکات دینامیکی که می تواند به طور قابل اعتماد انجام دهد محدود می کند.

کنترل کننده راه رفتن فعلی آن بر روی زمین صاف آموزش داده شده است، در حالی که سکوی فاقد بازوهایی برای دستکاری اشیاء است و حرکت در زمین های ناهموار را حل نشده باقی می گذارد.

این یک پروژه منبع باز است تا محققان بتوانند پلتفرم را بازتولید کنند، اجزای آن را اصلاح کنند و رباتیک مبتنی بر گوشی هوشمند را بررسی کنند.

این تحقیق در حال حاضر در arXiv منتشر شده است، یک مخزن آنلاین که در آن محققان مقالات علمی را قبل یا در کنار انتشار رسمی با بررسی همتایان به اشتراک می گذارند.