工程师对微型机器人进行编程以使其移动

尽管工程师们已经成功地构建了类似昆虫的微型机器人，但对其进行编程以使其像真正的昆虫一样自主运行，仍然给技术挑战带来挑战。康奈尔大学的一组工程师一直在尝试一种新型的程序设计，该程序模仿昆虫的大脑工作方式，这很快就会使人们想知道墙上的苍蝇是否真的是苍蝇。

机器人感测一阵风所需的计算机处理能力，是使用嵌入在其机翼上的细小如头发的金属探针，相应地调整其飞行，并在尝试着落在摇曳的花朵上时计划其路径，这需要它在其背面携带台式计算机。机械和航空航天工程学教授，智能系统与控制实验室主任西尔维亚·法拉利(Silvia Ferrari)将神经形态计算机芯片的出现视为缩小机器人有效载荷的一种方法。

与处理将0和1的组合作为二进制代码的传统芯片不同，神经形态芯片处理以复杂组合触发的电流尖峰，类似于神经元在大脑内部的触发方式。法拉利实验室正在开发一种新型的“基于事件”的传感和控制算法，该算法可模仿神经活动，并可在神经形态芯片上实现。由于这些芯片所需的功率比传统处理器要少得多，因此它们允许工程师将更多的计算打包到相同的有效负载中。

法拉利的实验室与哈佛大学的微型机器人实验室合作，后者开发了80毫克的飞行RoboBee，配备了多个视觉，光流和运动传感器。虽然机器人目前仍被束缚在电源上，但哈佛研究人员正在努力消除对新电源开发的束缚。康奈尔算法将帮助RoboBee变得更加自主，并在不显着增加其重量的情况下适应复杂的环境。

“受到阵风或旋转门的撞击会导致这些小型机器人失去控制。我们正在开发传感器和算法，以使RoboBee避免坠毁，或者即使坠毁也能幸免并仍然飞行，”法拉利说。“您不能真正依靠机器人的先前建模来完成此操作，因此我们希望开发可适应任何情况的学习控制器。”

为了加快基于事件的算法的开发，法拉利实验室的博士生Taylor Clawson创建了一个虚拟模拟器。基于物理的模拟器对RoboBee及其在每个机翼冲程期间所面临的瞬时空气动力进行建模。结果，该模型可以准确预测RoboBee在复杂环境中飞行期间的运动。

克劳森说：“仿真既用于测试算法，又用于设计算法。”他成功地利用了受生物学启发的程序作为神经网络，为机器人开发了自主飞行控制器。“该网络能够实时学习以解决制造过程中引入的机器人中的不规则性，这使机器人的控制难度大大增加。”

除了具有更大的自主性和灵活性之外，法拉利还表示，她的实验室计划帮助RoboBee配备新的微型设备，例如照相机，扩展的触觉反馈天线，机器人脚上的接触传感器以及看起来像细小头发的气流传感器。

“我们将RoboBee用作基准机器人，因为它具有很大的挑战性，但是我们认为已经不受束缚的其他机器人将从这项发展中受益匪浅，因为它们在功率方面存在相同的问题，”法拉利说。

一个已经从中受益的机器人是哈佛微型机器人，这是一种四足机器，长17毫米，重量不到3克。它的速度可以达到每秒0.44米，但是法拉利的实验室正在开发基于事件的算法，该算法将通过敏捷性来补充机器人的速度。