


Mehrere Drohnen arbeiten zusammen, um ein Haus in 3D zu drucken, und die Forschung erscheint auf dem Cover von Nature
Wir können oft Bienen, Ameisen und andere Tiere beobachten, die damit beschäftigt sind, Nester zu bauen. Nach der natürlichen Selektion ist ihre Arbeitseffizienz erstaunlich hoch
Die Fähigkeit zur Arbeitsteilung und Kooperation dieser Tiere wurde an Drohnen „weitergegeben“. Eine Studie des Imperial College London zeigt uns die zukünftige Richtung, genau wie diese :
Drohnen-3D-Staubsauger:
Diesen Mittwoch erschien dieses Forschungsergebnis auf dem Cover von „Nature“.
Papieradresse: https://www.nature.com/articles/s41586-022-04988-4
Um die Fähigkeiten der Drohne zu demonstrieren, verwendeten die Forscher Schaumstoff und ein Spezialmaterial Mit leichten Zementmaterialien werden Bauwerke mit einer Höhe von 0,18 bis 2,05 Metern gebaut. Der Fehler im Vergleich zum ursprünglichen Bauplan betrug weniger als 5 mm.
Um zu beweisen, dass das System komplexere Drohnenformationen bewältigen kann, erstellte das Team mithilfe von Lichtern an den Drohnen eine Zeitraffersequenz aus Lichtspuren, die den Bau einer hohen, kuppelartigen Struktur simulierten.
.
Mirko Kovac, Forschungsleiter und Direktor des Aerial Robotics Laboratory am Imperial College London, sagte: „Diese Methode könnte zum Bau von Gebäuden in der Arktis oder sogar auf dem Mars verwendet werden oder um bei der Reparatur von Hochhäusern zu helfen, die normalerweise üblich sind.“ erfordern teure Gerüste.
Allerdings unterliegt die Technologie derzeit einigen Einschränkungen, da Drohnen schwere Gegenstände nur schwer transportieren können, regelmäßiges Aufladen erfordern und dennoch eine menschliche Aufsicht erfordern. Allerdings hoffen die Forscher, einige dieser Probleme durch das automatische Aufladen der Drohnen während Forschungsprojekten zu lindern.
Wie wird der Drohnen-3D-Druck umgesetzt? Zu diesem Zweck haben Forscher ein ausgeklügeltes System konstruiert.
Einführung in die Forschung
Zur Verbesserung der Produktivität und Sicherheit wurde roboterbasierte Bautechnologie für die Montage von Gebäudekomponenten und die kontinuierliche additive Fertigung in Freiform (AM, additive Fertigung) vorgeschlagen. Im Vergleich zu montagebasierten Methoden ermöglicht die kontinuierliche Freiform-AM die flexible Herstellung geometrisch variabler Designs mit hoher Effizienz und geringen Kosten. Diese großen Systeme müssen jedoch an eine Stromquelle angeschlossen werden, sind unpraktisch für Inspektion, Wartung und Reparatur und lassen sich in rauen Umgebungen nur schwer herstellen.
Als Alternative zu großen Einzelrobotersystemen können kleine mobile Roboter für mehr Flexibilität und Skalierbarkeit sorgen. Allerdings befindet sich die Forschung zum Einsatz von Roboterformationen im Bauwesen noch in einem frühen, explorativen Entwicklungsstadium. Darüber hinaus ist die aktuelle Arbeitshöhe von Multirobotern begrenzt und kann nicht über einen bestimmten Bereich hinaus betrieben werden. Die folgende Abbildung zeigt einen Vergleich zwischen SOTA-Roboterplattformen, die für AM in der Bauindustrie entwickelt wurden.
Natürliche Baumeister haben im Vergleich zu aktuellen Robotersystemen und ihren inhärenten Einschränkungen eine größere Anpassungsfähigkeit beim Bauen gezeigt, wobei viele dazu auf fliegende und additive Baumethoden zurückgreifen. Beispielsweise kann eine Schwalbe 1.200 Flüge zwischen der Materialquelle und der Baustelle unternehmen, um das Nest nach und nach fertigzustellen. Soziale Insekten wie Termiten und Wespen zeigen ein höheres Maß an Anpassungsfähigkeit und Skalierbarkeit: Der Luftbau durch soziale Wespen zeigte eine effiziente und direkte Pfadoptimierung, wodurch die Navigation während des gesamten Bauprozesses entfällt.
Diese natürlichen Systeme inspirieren Ansätze zum kollektiven Aufbau mithilfe von Multi-Agenten, die die Lösung von Multi-Agenten-Koordinationsproblemen erfordern, die über die derzeit verfügbaren Technologien hinausgehen. Neben kollektiven Interaktionsmethoden für Multirobotersysteme müssen auch Mechanismen zur Materialgestaltung und -nutzung sowie zur Manipulation der Umwelt integriert und mitentwickelt werden, um kooperatives Bauen zu ermöglichen.
Das vom Imperial College vorgeschlagene System heißt Aerial-AM, das biologische Kooperationsmechanismen mit technischen Prinzipien kombiniert und dafür mehrere Drohnen nutzt.
Die Realisierung der autonomen additiven Fertigung durch das UAV-Team erfordert die parallele Entwicklung mehrerer Schlüsseltechnologien, darunter: 1) Luftroboter, die eine hochpräzise Materialabscheidung und Druckqualität sowie eine qualitative Echtzeitbewertung ermöglichen; Teams, die miteinander interagieren können, ihre eigenen Aktivitäten übertragen und Daten drahtlos austauschen können, ohne sich gegenseitig zu stören. 3) Autonomes Navigations- und Aufgabenplanungssystem, adaptives Bestimmen und Zuweisen von Fertigungsaufgaben in Kombination mit der Druckpfadstrategie. 4) Entwurfs- oder Auswahlmaterialplanung , besonders leichte und druckbare Zementmischung, die für additive Fertigungsverfahren aus der Luft geeignet ist, ohne dass Schalungen oder temporäre Gerüste erforderlich sind.
Aerial-AM verwendet zwei Arten von Luftroboterplattformen, bekannt als BuilDrone zum Stapeln physischer Materialien und ScanDrone zur Durchführung inkrementeller Luftscans und Überprüfungsbeobachtungen nach dem Ablegen jeder Materialschicht. Beide Roboterplattformen werden in ihren jeweiligen Arbeitsabläufen über einen verteilten Multi-Agenten-Ansatz koordiniert. Der Bauzyklus umfasst die Charakterisierung der Druckleistung der BuildDrones und ScanDrone während des Flugs, die Anpassung der Flugbahn und des Materialdrucks der BuildDrones in Echtzeit sowie die Validierung der Druckergebnisse mit ScanDrone und menschlichen Vorgesetzten.
Abbildung 2. Aerial-AM-Framework für uneingeschränktes und unbegrenztes AM.
Das von der neuen Forschung vorgeschlagene Multi-Agent-Aerial-AM-Framework besteht aus zwei Schleifen, die auf der langsamen Zeitskala der Planung und der schnellen Zeitskala des Echtzeitbetriebs für die Herstellung und Fortschrittsbeobachtung laufen. In einem Proof-of-Concept nutzten die Forscher ein ScanDrone-Luftbildsystem, um 3D-Scans durchzuführen, um den Fortschritt abzubilden, und bauten einen großen Zylinder aus expandiertem Schaumstoff.
Abbildung 3. Aerial-AM BuilDrone druckte eine 2,05 m hohe zylindrische Geometrie mit 72 Materialabscheidungsdurchgängen und Echtzeit-Druckauswertung durch ScanDrone.
Abbildung 4. Zwei BuilDrones drucken dünnwandige Zylinder in 3D mit einem fehlerkompensierten Delta-Roboter, um zementhaltiges Material aufzutragen.
Abbildung 5. Kuppelförmige rotierende Oberfläche mit virtueller Luft-AM-Multiroboter-Optikspur und virtuellem Druck. a, c sind Flugbahnen, b, d sind Draufsichten und Perspektivansichten. f zeigt Simulationsergebnisse mit 15 Robotern zum Drucken einer vergrößerten Version der Geometrie mit einem Basisdurchmesser von 15 m.
Mithilfe der Materialabscheidung von BuilDrone und der qualitativen Echtzeitauswertung der gedruckten Strukturen durch ScanDrone konnten die Forscher erfolgreich Zylinder mit einer Höhe von bis zu 2,05 Metern drucken und damit die Fähigkeit der Aerial-AM-Methode zur Herstellung großer geometrischer Objekte demonstrieren. Experimente zur Herstellung zementärer dünnwandiger Zylinder zeigten, dass die Kopplung eines selbstausrichtenden Parallel-Delta-Roboters mit einer BuildDrone die Ablage von Material in seitlicher und vertikaler Richtung mit hoher Präzision (maximal 5 mm Positionsfehler) und einer ebenen Fläche ermöglicht innerhalb der durch die britischen Bauvorschriften zulässigen Grenzen.
Virtuelles Stadtbahn-AM und Simulationsergebnisse zeigen, dass das Aerial-AM-Framework verschiedene Geometrien durch parallele Fertigung mit mehreren Robotern effektiv drucken kann, während es gleichzeitig Staus beseitigt und die Anpassung unter abnormalen Bedingungen abschließt.
Während diese Experimente die Machbarkeit von Aerial-AM erfolgreich demonstrieren, sind sie nur ein erster Schritt zur Erforschung des Potenzials des Einsatzes von Flugrobotern im Bauwesen. Forscher sagten, dass zur Realisierung des 3D-Drucks von Häusern mit Drohnen erhebliche Fortschritte in der Robotik und Materialwissenschaft erforderlich seien, insbesondere in Spitzenbereichen wie der Ablagerung von Trägermaterialien, der Verfestigung aktiver Materialien und der Aufgabenteilung zwischen mehreren Robotern . entwickeln.
Was die Drohne selbst betrifft, planen die Forscher, ein Multisensor-System zur simultanen Positionierung und Kartierung (SLAM) mit einem differenziellen globalen Positionierungssystem (GPS) zu implementieren, um die Forschungsergebnisse aus dem Labor zu holen ausreichende Außenposition.
Sobald dies praktikabel ist, kann Aerial-AM eine alternative Möglichkeit zur Unterstützung des Wohnungsbaus und des Baus kritischer Infrastruktur in abgelegenen Gebieten darstellen.
Das obige ist der detaillierte Inhalt vonMehrere Drohnen arbeiten zusammen, um ein Haus in 3D zu drucken, und die Forschung erscheint auf dem Cover von Nature. Für weitere Informationen folgen Sie bitte anderen verwandten Artikeln auf der PHP chinesischen Website!

Heiße KI -Werkzeuge

Undresser.AI Undress
KI-gestützte App zum Erstellen realistischer Aktfotos

AI Clothes Remover
Online-KI-Tool zum Entfernen von Kleidung aus Fotos.

Undress AI Tool
Ausziehbilder kostenlos

Clothoff.io
KI-Kleiderentferner

AI Hentai Generator
Erstellen Sie kostenlos Ai Hentai.

Heißer Artikel

Heiße Werkzeuge

Notepad++7.3.1
Einfach zu bedienender und kostenloser Code-Editor

SublimeText3 chinesische Version
Chinesische Version, sehr einfach zu bedienen

Senden Sie Studio 13.0.1
Leistungsstarke integrierte PHP-Entwicklungsumgebung

Dreamweaver CS6
Visuelle Webentwicklungstools

SublimeText3 Mac-Version
Codebearbeitungssoftware auf Gottesniveau (SublimeText3)

Heiße Themen



Der Artikel von StableDiffusion3 ist endlich da! Dieses Modell wurde vor zwei Wochen veröffentlicht und verwendet die gleiche DiT-Architektur (DiffusionTransformer) wie Sora. Nach seiner Veröffentlichung sorgte es für großes Aufsehen. Im Vergleich zur Vorgängerversion wurde die Qualität der von StableDiffusion3 generierten Bilder erheblich verbessert. Es unterstützt jetzt Eingabeaufforderungen mit mehreren Themen, und der Textschreibeffekt wurde ebenfalls verbessert, und es werden keine verstümmelten Zeichen mehr angezeigt. StabilityAI wies darauf hin, dass es sich bei StableDiffusion3 um eine Reihe von Modellen mit Parametergrößen von 800 M bis 8 B handelt. Durch diesen Parameterbereich kann das Modell direkt auf vielen tragbaren Geräten ausgeführt werden, wodurch der Einsatz von KI deutlich reduziert wird

Der erste Pilot- und Schlüsselartikel stellt hauptsächlich mehrere häufig verwendete Koordinatensysteme in der autonomen Fahrtechnologie vor und erläutert, wie die Korrelation und Konvertierung zwischen ihnen abgeschlossen und schließlich ein einheitliches Umgebungsmodell erstellt werden kann. Der Schwerpunkt liegt hier auf dem Verständnis der Umrechnung vom Fahrzeug in den starren Kamerakörper (externe Parameter), der Kamera-in-Bild-Konvertierung (interne Parameter) und der Bild-in-Pixel-Einheitenkonvertierung. Die Konvertierung von 3D in 2D führt zu entsprechenden Verzerrungen, Verschiebungen usw. Wichtige Punkte: Das Fahrzeugkoordinatensystem und das Kamerakörperkoordinatensystem müssen neu geschrieben werden: Das Ebenenkoordinatensystem und das Pixelkoordinatensystem. Schwierigkeit: Sowohl die Entzerrung als auch die Verzerrungsaddition müssen auf der Bildebene kompensiert werden. 2. Einführung Insgesamt gibt es vier visuelle Systeme Koordinatensystem: Pixelebenenkoordinatensystem (u, v), Bildkoordinatensystem (x, y), Kamerakoordinatensystem () und Weltkoordinatensystem (). Es gibt eine Beziehung zwischen jedem Koordinatensystem,

Die Trajektorienvorhersage spielt eine wichtige Rolle beim autonomen Fahren. Unter autonomer Fahrtrajektorienvorhersage versteht man die Vorhersage der zukünftigen Fahrtrajektorie des Fahrzeugs durch die Analyse verschiedener Daten während des Fahrvorgangs. Als Kernmodul des autonomen Fahrens ist die Qualität der Trajektorienvorhersage von entscheidender Bedeutung für die nachgelagerte Planungssteuerung. Die Trajektorienvorhersageaufgabe verfügt über einen umfangreichen Technologie-Stack und erfordert Vertrautheit mit der dynamischen/statischen Wahrnehmung des autonomen Fahrens, hochpräzisen Karten, Fahrspurlinien, Fähigkeiten in der neuronalen Netzwerkarchitektur (CNN&GNN&Transformer) usw. Der Einstieg ist sehr schwierig! Viele Fans hoffen, so schnell wie möglich mit der Flugbahnvorhersage beginnen zu können und Fallstricke zu vermeiden. Heute werde ich eine Bestandsaufnahme einiger häufiger Probleme und einführender Lernmethoden für die Flugbahnvorhersage machen! Einführungsbezogenes Wissen 1. Sind die Vorschaupapiere in Ordnung? A: Schauen Sie sich zuerst die Umfrage an, S

In diesem Artikel wird das Problem der genauen Erkennung von Objekten aus verschiedenen Blickwinkeln (z. B. Perspektive und Vogelperspektive) beim autonomen Fahren untersucht, insbesondere wie die Transformation von Merkmalen aus der Perspektive (PV) in den Raum aus der Vogelperspektive (BEV) effektiv ist implementiert über das Modul Visual Transformation (VT). Bestehende Methoden lassen sich grob in zwei Strategien unterteilen: 2D-zu-3D- und 3D-zu-2D-Konvertierung. 2D-zu-3D-Methoden verbessern dichte 2D-Merkmale durch die Vorhersage von Tiefenwahrscheinlichkeiten, aber die inhärente Unsicherheit von Tiefenvorhersagen, insbesondere in entfernten Regionen, kann zu Ungenauigkeiten führen. Während 3D-zu-2D-Methoden normalerweise 3D-Abfragen verwenden, um 2D-Features abzutasten und die Aufmerksamkeitsgewichte der Korrespondenz zwischen 3D- und 2D-Features über einen Transformer zu lernen, erhöht sich die Rechen- und Bereitstellungszeit.

Einige persönliche Gedanken des Autors Im Bereich des autonomen Fahrens sind mit der Entwicklung BEV-basierter Teilaufgaben/End-to-End-Lösungen hochwertige Multi-View-Trainingsdaten und der entsprechende Aufbau von Simulationsszenen immer wichtiger geworden. Als Reaktion auf die Schwachstellen aktueller Aufgaben kann „hohe Qualität“ in drei Aspekte zerlegt werden: Long-Tail-Szenarien in verschiedenen Dimensionen: z. B. Nahbereichsfahrzeuge in Hindernisdaten und präzise Kurswinkel beim Schneiden von Autos sowie Spurliniendaten . Szenen wie Kurven mit unterschiedlichen Krümmungen oder Rampen/Zusammenführungen/Zusammenführungen, die schwer zu erfassen sind. Diese basieren häufig auf der Sammlung großer Datenmengen und komplexen Data-Mining-Strategien, die kostspielig sind. Echter 3D-Wert – hochkonsistentes Bild: Die aktuelle BEV-Datenerfassung wird häufig durch Fehler bei der Sensorinstallation/-kalibrierung, hochpräzisen Karten und dem Rekonstruktionsalgorithmus selbst beeinträchtigt. das hat mich dazu geführt

Laut Nachrichten dieser Website vom 3. Juni gab der Anbieter von Wasserkühlungslösungen Asetek bekannt, dass er mit dem Metall-3D-Druckunternehmen Fabric8Labs zusammengearbeitet hat, um einen neuen KI-optimierten Kaltkopf auf den Markt zu bringen, der am ASUS ROG-Stand auf der Computex 2024 Taipei International ausgestellt wird Computershow. Im Vergleich zu früheren Generationen von Wasserkühlungslösungen nutzt der KI-optimierte Kaltkopf künstliche Intelligenz und die additive Fertigungstechnologie ECAM, um die Wärmeableitungsleistung durch Optimierung der Fluiddynamik auf „beispiellose“ Weise zu verbessern. Berichten zufolge nutzte der Beamte komplexe KI-Simulationstools, um die gesamte Kaltkopfstruktur aufzubauen. Die Lamellen sind unterschiedlich gestaltet und können nur mithilfe von 3D-Druckverfahren hergestellt werden. Auf dieser Website wurde festgestellt, dass das ursprüngliche KI-optimierte Kaltkopfdesign im Vergleich zur Lösung der achten Generation von Asetek den Wärmewiderstand um 2,3 °C/1 reduzieren kann

Plötzlich wurde ein 19 Jahre altes Papier namens GSLAM: A General SLAM Framework and Benchmark mit offenem Quellcode entdeckt: https://github.com/zdzhaoyong/GSLAM Gehen Sie direkt zum Volltext und spüren Sie die Qualität dieser Arbeit~1 Zusammenfassung der SLAM-Technologie hat in letzter Zeit viele Erfolge erzielt und die Aufmerksamkeit vieler High-Tech-Unternehmen auf sich gezogen. Es bleibt jedoch eine Frage, wie eine Schnittstelle zu bestehenden oder neuen Algorithmen hergestellt werden kann, um ein Benchmarking hinsichtlich Geschwindigkeit, Robustheit und Portabilität effizient durchzuführen. In diesem Artikel wird eine neue SLAM-Plattform namens GSLAM vorgeschlagen, die nicht nur Evaluierungsfunktionen bietet, sondern Forschern auch eine nützliche Möglichkeit bietet, schnell ihre eigenen SLAM-Systeme zu entwickeln.

Bitte beachten Sie, dass dieser kantige Mann die Stirn runzelt und über die Identität der „ungebetenen Gäste“ vor ihm nachdenkt. Es stellte sich heraus, dass sie sich in einer gefährlichen Situation befand, und als ihr dies klar wurde, begann sie schnell mit der mentalen Suche nach einer Strategie zur Lösung des Problems. Letztendlich entschloss sie sich, vom Unfallort zu fliehen, dann so schnell wie möglich Hilfe zu suchen und sofort Maßnahmen zu ergreifen. Gleichzeitig dachte die Person auf der Gegenseite das Gleiche wie sie... In „Minecraft“ gab es eine solche Szene, in der alle Charaktere von künstlicher Intelligenz gesteuert wurden. Jeder von ihnen hat eine einzigartige Identität. Das zuvor erwähnte Mädchen ist beispielsweise eine 17-jährige, aber kluge und mutige Kurierin. Sie haben die Fähigkeit, sich zu erinnern und zu denken und in dieser kleinen Stadt in Minecraft wie Menschen zu leben. Was sie antreibt, ist ein brandneues,
