Automatizacija yra neatsiejama šiuolaikinio pasaulio dalis, todėl robotų tikslumas tampa vis svarbesniu veiksniu įvairiose srityse – nuo pramoninės gamybos iki medicinos.
Šį rudenį mokslų daktaro diplomą gavęs VILNIUS TECH alumnas Marius Šumanas savo doktorantūros studijų metais gilinosi į robotų pozicionavimo klaidų mažinimą, pasitelkdamas naujoviškus mašininio mokymosi būdus.
Šis darbas ne tik atskleidė, kokius sprendimus siūlo mokslas, bet ir atvėrė galimybes gerinti senesnes sistemas.
Tikslumas – šiuolaikinės automatikos pagrindas
Temą „Roboto pozicionavimo klaidų kompensavimas taikant gilųjį Q-mokymosi algoritmą“ dr. M. Šumanas pasirinko dėl jos naujumo ir praktinės svarbos. Be to, mokslininkas tiki, jog jo tyrimai prisidės prie reikšmingų pokyčių automatizacijos srityje.
Disertacijoje dr. M. Šumanas nagrinėjo robotų tikslumo problemą. Mechaninis nusidėvėjimas, išorinės jėgos ir aplinkos veiksniai dažnai lemia pozicionavimo klaidas, kurios mažina robotų judesių patikimumą. Tokie netikslumai gali sukelti problemų gamyboje, ar medicinoje, kur mikrometrų lygio tikslumas yra esminis bruožas.
„Mes su komanda sukūrėme būdą, naudojantį mašininio mokymosi algoritmų kombinaciją, kuris padeda keisti roboto judesius taip, kad jie būtų kuo tikslesni ir patikimesni“, – sako jaunasis mokslininkas.
Disertacijos rezultatai žada ne tik praktinę naudą, bet ir reikšmingą įnašą į mokslo pažangą. Sukurtas būdas yra universalus ir gali būti taikomas įvairiose srityse, kur reikalingas itin didelis tikslumas.
„Šis tyrimas yra puikus pavyzdys, kaip naujoviškos technologijos ir dirbtinis protas gali spręsti tikras problemas, pagerinti procesus ir prisidėti prie tvarios ateities kūrimo“.
Klaidos – individualios kaip ir patys robotai
Kiekvienas robotas ir jo naudojimo sąlygos yra išskirtinės, todėl būtina tiksliai nustatyti bei kompensuoti kinematines klaidas. Kaip pasakoja VILNIUS TECH alumnas, disertacijoje buvo siekiama sukurti sistemą, kuri ne tik nustatytų klaidas, bet ir veiksmingai jas keistų.
„Bandymų metu buvo naudojamas robotas su specialia bandomąja įranga ir inerciniais jutikliais, skirtais duomenų rinkimui apie roboto judesius ir jų tikslumą. Po to surinkti duomenys buvo apdoroti, naudojant gilųjį Q-mokymosi algoritmą, kuris pateikė pakeistas koordinates ir žymiai pagerino roboto tikslumą“, – paaiškina dr. M. Šumanas.
Rezultatai patvirtino, kad gilusis Q-mokymosi algoritmas yra veiksmingas, sprendžiant pozicionavimo problemas. Tyrimo metu klaidų kiekis buvo žymiai sumažintas, o tai leidžia tikėtis dar platesnio šio būdo pritaikymo ateityje.
Mokslininkas teigia, kad tokio būdo taikymas galėtų ne tik pagerinti naujų robotų tikslumą, bet ir prailginti senesnių sistemų gyvavimo laiką. Tai neabejotinai prisidėtų prie automatizacijos vystymo ir senesnės įrangos veiksmingesnio panaudojimo, ypač pramonėje ir automatizuojant senesnę techniką.
