多无人机协同3D打印盖房子,研究登上Nature封面
我们经常可以看到蜜蜂、蚂蚁等各种动物忙碌地筑巢。经过自然选择,它们的工作效率高到叹为观止
这些动物的分工合作能力已经「传给」了无人机,来自英国帝国理工学院的一项研究向我们展示了未来的方向,就像这样:
无人机 3D 打灰:
本周三,这一研究成果登上了《自然》封面。
论文地址:https://www.nature.com/articles/s41586-022-04988-4
为了展示无人机的能力,研究人员使用泡沫和一种特殊的轻质水泥材料,建造了高度从 0.18 米到 2.05 米不等的结构。与预想的原始蓝图相比,误差不到 5 毫米。
为了证明该系统可以处理更复杂的无人机编队,该团队使用无人机上的灯光创建了一个光迹延时序列,模拟制作一个高高的圆顶状结构。
。
该研究的领导者、英国帝国理工学院空中机器人实验室主任 Mirko Kovac 表示:这种方法可以用于在北极甚至火星上建造建筑物,或者帮助修复通常需要昂贵的脚手架的高层建筑。
不过,目前该技术还受到一些限制,因为无人机难以承载重物,需要定期充电,并且仍然需要人工监督。然而,研究人员表示,他们希望通过在项目研究期间自动为无人机充电来缓解其中的一些问题。
无人机 3D 打印是怎么实现的?对此,研究者们构建了一套精密的体系。
研究介绍
为了提高生产率和安全性,人们提出了基于机器人的建筑技术,以用于建筑构件的组装和自由形式的连续增材制造 (AM,additive manufacturing)。与基于组装的方法相比,自由形式的连续 AM 能够灵活生产几何变量设计,具有效率高、成本低等特点。然而,这些大型系统需要与电源连接,检查、维护、修理不方便,难以在恶劣环境中制造等困难。
作为大型单个机器人系统的替代方法,小型移动机器人可以提供更大的灵活性和可扩展性。然而,使用机器人编队进行建筑的研究还处于发展的早期探索阶段。此外,目前多机器人操作高度有限,超过一定范围就不行了。下图展示了建筑行业中为 AM 开发的 SOTA 机器人平台之间的对比。
与当前的机器人系统及其固有局限性相比,自然建造者在建筑时表现出了更强的适应性,许多借助飞行和增材建造方法来做到这一点。例如,燕子可以在材料来源和建筑地之间进行 1200 次飞行以逐步完成巢穴。白蚁和黄蜂等群居昆虫则表现出了更大程度的适应性和可扩展性:由社会黄蜂进行的空中施工显示了高效和直接的路径优化,减轻了在整个建筑过程中的导航需求。
这些自然系统启发了使用多智能体进行集体建设的方法,这种方法需要解决当前可用技术之外的多智能体协调问题。除了多机器人系统的集体交互方法外,材料设计和使用以及环境操纵机制必须整合和共同开发,以实现合作建设。
帝国理工提出的体系被称为 Aerial-AM,它将生物合作机制与工程原理相结合,使用多个无人机来实现。
无人机团队实现自主增材制造需要并行开发多项关键技术,其中包括:1)能够进行高精度材料沉积和打印质量,实时定性评估的空中机器人;2)空中机器人团队能够相互广播自己的活动,无线共享数据,互不干扰;3)自主导航和任务规划系统,结合打印路径策略自适应地确定和分配制造任务;4)设计或选择材料规划,特别是轻质和可打印的水泥混合物,适用于空中增材制造方法,无需模板或临时脚手架。
Aerial-AM 使用两种类型的空中机器人平台,分别被称为 BuilDrone 和 ScanDrone,BuilDrone 用于堆砌物理材料,ScanDrone 用于在每层材料沉积后执行增量空中扫描和验证观察。两个机器人平台都经由分布式多代理方法在各自工作流上进行了协调。构建循环包括 BuilDrones 和 ScanDrone 的飞行中打印性能表征、BuilDrones 的实时轨迹适应和材料打印,以及通过 ScanDrone 和人类监督人员进行的打印效果验证。
图 2. 用于不受限制和无界 AM 的 Aerial-AM 框架。
新研究提出的多智能体 Aerial-AM 框架由两个循环组成,分别在规划的慢时间尺度和实时操作的快时间尺度上运行,用于制造和进度观察。在概念验证中,研究者们利用 ScanDrone 机载视觉系统进行 3D 扫描以映射进度,使用膨胀泡沫材料构建了一个大型圆柱体。
图 3. Aerial-AM BuilDrone 打印了 2.05 m 高的圆柱形几何图形,其中包含 72 次材料沉积行程,并由 ScanDrone 进行实时打印评估。
图 4. 两台 BuilDrones 使用误差补偿 delta 机械手对薄壁圆柱体进行 3D 打印,以沉积胶结材料。
图 5. Aerial-AM 多机器人光轨虚拟打印圆顶状旋转表面。a、c 是飞行轨迹,b、d 是顶视图和透视图。f 展示了使用 15 个机器人打印放大版几何图形的模拟结果,其底径为 15 m。
通过 BuilDrone 的材料沉积和 ScanDrone 对打印结构进行实时定性评估,研究人员成功打印出了高达 2.05 米的圆柱体,证明了 Aerial-AM 方法制造大型几何物体的能力。水泥薄壁圆柱体的制造实验证明,自对准平行 delta 机械手与 BuilDrone 的耦合允许在横向和垂直方向以高精度(最大 5 毫米位置误差)沉积材料,这个水平在英国的建筑要求允许范围之内。
虚拟光轨 AM 和仿真结果表明,Aerial-AM 框架可以通过并行多机器人制造有效地打印各种几何形状,同时解决拥堵,并在异常情况下完成自适应。
尽管这些实验成功地验证了 Aerial-AM 的可行性,但它们只是探索使用空中机器人进行建筑的潜力的第一步。研究人员表示,要想实现无人机 3D 打印盖房,还需要在机器人技术和材料科学方面取得重大进展,特别是支撑材料的沉积、活性材料的固化和多机器人之间任务共享等前沿领域进行发展。
而对于无人机本身,为使研究成果走出实验室,研究者们正打算实施具有差分全球定位系统(GPS)的多传感器同时定位和制图(SLAM)系统,以提供足够的室外定位。
在实用化之后,Aerial-AM 或许可以提供一种替代方式来支持偏远地区的住房和重要基础设施建设。
以上是多无人机协同3D打印盖房子,研究登上Nature封面的详细内容。更多信息请关注PHP中文网其他相关文章!

热AI工具

Undresser.AI Undress
人工智能驱动的应用程序,用于创建逼真的裸体照片

AI Clothes Remover
用于从照片中去除衣服的在线人工智能工具。

Undress AI Tool
免费脱衣服图片

Clothoff.io
AI脱衣机

Video Face Swap
使用我们完全免费的人工智能换脸工具轻松在任何视频中换脸!

热门文章

热工具

记事本++7.3.1
好用且免费的代码编辑器

SublimeText3汉化版
中文版,非常好用

禅工作室 13.0.1
功能强大的PHP集成开发环境

Dreamweaver CS6
视觉化网页开发工具

SublimeText3 Mac版
神级代码编辑软件(SublimeText3)

一先导与重点文章主要介绍自动驾驶技术中几种常用的坐标系统,以及他们之间如何完成关联和转换,最终构建出统一的环境模型。这里重点理解自车到相机刚体转换(外参),相机到图像转换(内参),图像到像素有单位转换。3d向2d转换会有相应的畸变,平移等。重点:自车坐标系相机机体坐标系需要被重写的是:平面坐标系像素坐标系难点:要考虑图像畸变,去畸变和加畸变都是在像平面上去补偿二简介视觉系统一共有四个坐标系:像素平面坐标系(u,v)、图像坐标系(x,y)、相机坐标系()和世界坐标系()。每种坐标系之间均存在联系,

StableDiffusion3的论文终于来了!这个模型于两周前发布,采用了与Sora相同的DiT(DiffusionTransformer)架构,一经发布就引起了不小的轰动。与之前版本相比,StableDiffusion3生成的图质量有了显着提升,现在支持多主题提示,并且文字书写效果也得到了改善,不再出现乱码情况。 StabilityAI指出,StableDiffusion3是一个系列模型,其参数量从800M到8B不等。这一参数范围意味着该模型可以在许多便携设备上直接运行,从而显着降低了使用AI

轨迹预测在自动驾驶中承担着重要的角色,自动驾驶轨迹预测是指通过分析车辆行驶过程中的各种数据,预测车辆未来的行驶轨迹。作为自动驾驶的核心模块,轨迹预测的质量对于下游的规划控制至关重要。轨迹预测任务技术栈丰富,需要熟悉自动驾驶动/静态感知、高精地图、车道线、神经网络架构(CNN&GNN&Transformer)技能等,入门难度很大!很多粉丝期望能够尽快上手轨迹预测,少踩坑,今天就为大家盘点下轨迹预测常见的一些问题和入门学习方法!入门相关知识1.预习的论文有没有切入顺序?A:先看survey,p

这篇论文探讨了在自动驾驶中,从不同视角(如透视图和鸟瞰图)准确检测物体的问题,特别是如何有效地从透视图(PV)到鸟瞰图(BEV)空间转换特征,这一转换是通过视觉转换(VT)模块实施的。现有的方法大致分为两种策略:2D到3D和3D到2D转换。2D到3D的方法通过预测深度概率来提升密集的2D特征,但深度预测的固有不确定性,尤其是在远处区域,可能会引入不准确性。而3D到2D的方法通常使用3D查询来采样2D特征,并通过Transformer学习3D和2D特征之间对应关系的注意力权重,这增加了计算和部署的

笔者的一些个人思考在自动驾驶领域,随着BEV-based子任务/端到端方案的发展,高质量的多视图训练数据和相应的仿真场景构建愈发重要。针对当下任务的痛点,“高质量”可以解耦成三个方面:不同维度上的长尾场景:如障碍物数据中近距离的车辆以及切车过程中精准的朝向角,以及车道线数据中不同曲率的弯道或较难采集的匝道/汇入/合流等场景。这些往往靠大量的数据采集和复杂的数据挖掘策略,成本高昂。3D真值-图像的高度一致:当下的BEV数据获取往往受到传感器安装/标定,高精地图以及重建算法本身的误差影响。这导致了我

本站6月3日消息,水冷方案商Asetek宣布与金属3D打印公司Fabric8Labs合作,推出由AI优化的新款冷头,将于Computex2024台北国际电脑展的华硕ROG展位展出。与前几代水冷方案相比,AI优化的冷头利用人工智能与ECAM增材制造技术,通过优化流体动力学,以“前所未有”的方式提高散热性能。据介绍,官方采用了复杂的AI模拟工具构建整个冷头的架构,其鳍片在设计上各不相同,只能使用3D打印工艺制造。本站注意到,与Asetek第八代方案相比,最初的AI优化冷头设计可降低热阻达2.3C/1

突然发现了一篇19年的论文GSLAM:AGeneralSLAMFrameworkandBenchmark开源代码:https://github.com/zdzhaoyong/GSLAM直接上全文,感受这项工作的质量吧~1摘要SLAM技术最近取得了许多成功,并吸引了高科技公司的关注。然而,如何同一现有或新兴算法的界面,一级有效地进行关于速度、稳健性和可移植性的基准测试仍然是问题。本文,提出了一个名为GSLAM的新型SLAM平台,它不仅提供评估功能,还为研究人员提供了快速开发自己的SLAM系统的有用

请留意,这个方块人正在紧锁眉头,思考着面前几位“不速之客”的身份。原来她陷入了危险境地,意识到这一点后,她迅速展开脑力搜索,寻找解决问题的策略。最终,她决定先逃离现场,然后尽快寻求帮助,并立即采取行动。与此同时,对面的人也在进行着与她相同的思考……在《我的世界》中出现了这样一个场景,所有的角色都由人工智能控制。他们每个人都有着独特的身份设定,比如之前提到的女孩就是一个年仅17岁但聪明勇敢的快递员。他们拥有记忆和思考能力,在这个以《我的世界》为背景的小镇中像人类一样生活。驱动他们的,是一款全新的、
