Автономность мобильных роботов долгое время ограничивалась эффективностью систем энергопотребления и механикой движения. Традиционные амортизаторы работают эффективно лишь на высоких скоростях, оставляя медленно движущихся роботов-инспекторов с серьезными потерями энергии. Решением этой проблемы стал синтез передового материаловедения и глубокого обучения. Новые пористые структуры стоп позволяют рекуперировать энергию удара даже при неспешном темпе, значительно продлевая время работы устройств.
Проблема энергоэффективности в четвероногих роботах традиционно упирается в потери при контакте с поверхностью. В классических системах используются пружины и демпферы, которые эффективно возвращают энергию только при динамичном, быстром шаге. Однако для специализированных машин — например, роботов-инспекторов или поисково-спасательных единиц, которым часто приходится двигаться медленно и осторожно, — такие механизмы оказываются бесполезными. Энергия удара просто рассеивается, заставляя аккумуляторы разряжаться быстрее.
Инженеры из Сеульского национального университета науки и технологий предложили радикально иной подход: перенести функцию рекуперации энергии непосредственно в структуру материала стопы. Вместо громоздких механических пружин были созданы пористые полусферы, напечатанные из высокоэластичного полимера.
В основе этой разработки лежит концепция трижды периодических минимальных поверхностей (TPMS). Это сложные трехмерные решетки, состоящие из повторяющихся пор и перегородок. С точки зрения физики, такая структура позволяет добиться идеального баланса: она обладает минимальным весом, но при этом обеспечивает управляемую жесткость и способность эффективно поглощать механическую энергию, чтобы затем вернуть её при отрыве лапы от земли.
В ходе исследований были протестированы три типа структур: простая, гироидная и ромбовидная. Наилучшие результаты показала ромбовидная решетка с относительной плотностью 60%. Именно эта конфигурация обеспечила оптимальный уровень деформации и минимальные потери на внутреннее трение материала, что позволило максимально эффективно запасать энергию удара.
Однако внедрение инновационного материала стало лишь половиной решения. Оказалось, что просто заменить стопы недостаточно: при стандартных алгоритмах походки накопленная энергия либо рассеивалась, либо вызывала паразитные колебания корпуса, которые электроника пыталась компенсировать, увеличивая нагрузку на приводы.
Для синхронизации работы «железа» и софта был применен метод глубокого обучения с подкреплением (Deep Reinforcement Learning). Контроллер робота был обучен учитывать фазы деформации и распрямления TPMS-структуры. Функция вознаграждения в модели была настроена так, чтобы работа сервоприводов максимально точно совпадала с моментами накопления и высвобождения упругой энергии при контакте с грунтом.
Практические испытания проводились на платформе RBQ-10. Сравнение новых пористых стоп со стандартными сплошными опорами показало, что робот сохраняет полную устойчивость во всем диапазоне скоростей, при этом существенно снижая нагрузку на систему питания. В количественном выражении энергопотребление сократилось на 1,4–6,2% при скорости движения от 0,4 до 1 м/с.
В масштабах промышленного применения такие показатели выглядят скромно, но для автономных систем, работающих в режиме длительного патрулирования или спасательных операций, любой процент экономии электроэнергии конвертируется в дополнительные часы автономности и расширение радиуса действия миссии.
Инфраструктурный рывок эпохи нейросетей
