noopa

با افزودن مزارع خورشیدی در مقیاس ابزار در سراسر ایالت نیویورک ، تقاضای برق تابستان از منابع معمولی ممکن است در بعضی از مناطق تا 9.6٪ کاهش یابد.

اما مهندسین کرنل هشدار می دهند که زمستان های پله پستی حکایت متفاوتی را بیان می کنند. با وجود تقاضای کم انرژی در حوالی ظهر زمستان ، همراه با تولید برق خورشیدی ، سیستم انرژی نیویورک می تواند با نوسانات ناپایدار "دامنه" روبرو شود - اینگونه است که اپراتورهای سیستم برق افزایش سریع یا کاهش تقاضا را توصیف می کنند.

ماکس ژانگ ، نویسنده ارشد کرنل ، در دانشکده مهندسی مکانیک و هوافضا کرنل ، گفت: این یک یافته بسیار شگفت آور است. "چه زمانی قرار است در نیویورک حداکثر سرعت انجام شود؟ این تابستان نخواهد بود که انرژی خورشیدی بالاترین و نیازها متعادل تر باشد. به نظر می رسد در زمستان است."

سعید ژانگ ، یکی از همکاران در مرکز آینده اتکینسون کرنل برای آینده ای پایدار: "هنگامی که شما در طول زمستان چندین روز آفتاب پشت سر هم دارید ، این باعث می شود بیشترین ضربات سیستم برق در ایالت نیویورک رخ دهد."

مقاله جدید "برنامه ریزی استراتژیک برای توسعه فتوولتائیک خورشیدی با مقیاس سودمند - رویدادهای تاریخی اوج بازخوانی شده" ، در 15 مه در انرژی کاربردی منتشر شد . علاوه بر ژانگ ، مؤلفان کاندیداهای دکتری کرنل ، جف Sward و Jiajun Gu و Jackson Siff '19 هستند.

معضل گسترده صنعت انرژی - به دلیل افزایش بارهای خالص ، که کل تقاضای الکتریکی منهای تولید برق تجدید پذیر است - به اصطلاح "منحنی اردک" ایجاد می کند. وقتی مردم از خواب بیدار می شوند و برای روز آماده می شوند ، برای اداره خانه انرژی لازم است - و این اوج به اوج صبح تبدیل می شود. از آنجایی که خورشیدی در اواسط روز به اوج تولید می رسد ، بار خالص عقب می ماند.

هنگامی که مردم عصر از محل کار به خانه می آیند ، تقاضای انرژی اوج دوم را ایجاد می کند. بنابراین ، با یک اوج ، یک تاخیر بزرگ و اوج دوم که به آرامی در شب کم می شود ، منحنی گرافیکی بار خالص شبیه اردک است.

Sward گفت ، رمپینگ باعث می شود که این شبکه کارایی پمپ وکیوم کمتری نداشته باشد ، زیرا اپراتورهای سیستم پس از آن باید از گاز طبیعی یا سایر روش های کربن استفاده کنند تا در صورت تقاضا ادامه یابد. وی گفت: "این مقاله می تواند روند توسعه منطقه ای را آگاه سازد و می تواند منجر به بهبود انتقال برق از پله به پایین به پایین شود."

ژانگ گفت: "افزایش سطح مورد نیاز دامپزشکی برای دستیابی به هدف انرژی تجدید پذیر ما یک چالش خواهد بود ، اما می توان با منابع انعطاف پذیر ، هم در طرف عرضه و هم تقاضا و همچنین ذخیره انرژی ، تأمین شود."

به عنوان بخشی از مقاله ، سیف با دیوید کی ، همکار ارشد پسوند جامعه شناسی توسعه ، با انجمن کرنل و مؤسسه توسعه منطقه ای برای انجام تجزیه و تحلیل مکانی از بسته های اراضی ایالتی نیویورک همکاری کرد تا بتواند مکان هایی را که مزارع خورشیدی در مقیاس ابزار می توانند به بهترین شکل کار کنند ، انجام دهند. .

مکانیسم های بدن انسان شگفت انگیز است ، اما آنها هنوز تمام اسرار خود را رها نکرده اند. برای فهم واقعی بیماری انسان ، درک آنچه در ابتدایی ترین سطح اتفاق می افتد بسیار مهم است.

عملکردهای اساسی سلول توسط مولکول های پروتئین انجام می شود که در پیچیدگی های مختلف با یکدیگر تعامل دارند. وقتی ویروس وارد بدن می شود ، تعامل آنها را مختل می کند و آنها را برای تکثیر خودش دستکاری می کند. این پایه و اساس بیماری های ژنتیکی است ، و درک این که چگونه ویروس ها کار می کنند بسیار مورد توجه است.

مخالفانی مانند ویروس ها از پل بوگدان ، استادیار گروه مهندسی برق و کامپیوتر مینگ هسیه و دکتری اخیر الهام گرفته اند. فارغ التحصیل ، Yuankun Xue ، از گروه سیستم های فیزیکی سایبر USC ، برای تعیین چگونگی ارتباط آنها با پروتئین ها در بدن انسان است . بوگدان گفت: "ما سعی کردیم با استفاده از یک مدل ریاضی این مشکل را تولید کنیم ." تحقیقات پیشگامانه یادگیری ماشین آماری در مورد "بازسازی شبکه های پیچیده گم شده در برابر مداخلات مخالف" ، در اوایل ماه آوریل در ژورنال ارتباطات طبیعت منتشر شد.

زو ، که دکترای خود را به دست آورد. در مهندسی برق و رایانه سال گذشته با دریافت جایزه بهترین پایان نامه سال 2018 ، گفت: "شناخت شبکه های نامرئی پروتئین ها و ژن های بحرانی چالش برانگیز است و برای طراحی داروهای جدید یا روش های درمانی ژنی در برابر ویروس ها و حتی بیماری هایی مانند سرطان بسیار چالش برانگیز است."

"شبکه تعامل پروتئین" هر پروتئین را به عنوان "گره" مدل می کند. اگر دو پروتئین باهم ارتباط داشته باشند ، یک لبه وجود دارد که آنها را به هم وصل می کند. ژو توضیح داد: "حمله ویروس شبیه به از بین بردن گره ها و پیوندهای خاص در این شبکه است." در نتیجه ، شبکه اصلی دیگر قابل مشاهده نیست.

نویسنده: پمپ برای وکیوم

بوگدان گفت: "بعضی از شبکه ها بسیار پویا هستند. سرعت تغییر آنها ممکن است بسیار سریع یا کند باشد." "ما ممکن است سنسورهایی برای اندازه گیری دقیق نداشته باشیم. بخشی از شبکه قابل مشاهده نیست و از این رو نامرئی می شود."

برای ردیابی اثر حمله ویروسی ، Bogdan و Xue برای پیدا کردن یک ارزیابی معتبر از قسمت نامرئی ، نیاز به بازسازی شبکه اصلی داشتند که کار آسانی نبود. سعید بوگدان: "چالش این است که لینک ها را نمی بینید ، گره ها را نمی بینید ، و شما رفتار ویروس را نمی دانید." برای حل این مشکل ، ژو افزود: "ترفند این است كه برای ردیابی همه احتمالات و یافتن محتمل ترین تخمین ، به یك چارچوب یادگیری ماشین آماری متكی باشید."

در مقایسه با تحقیقات قبلی ، سهم جدید آزمایشگاه از این قرار است که آنها به جای اینکه با آن به عنوان یک فرایند نمونه گیری تصادفی رفتار کنند ، تأثیر و علیت حمله یا "مداخله طرف مقابل" را در الگوریتم یادگیری خود بگنجانند. بوگدان توضیح داد ، "قدرت واقعی آن در کلیت آن نهفته است - می تواند با هر نوع حمله و مدل شبکه کار کند."

با توجه به عمومی بودن چارچوب پیشنهادی آنها ، تحقیقات آنها کاربردهای گسترده ای برای هرگونه مشکل در بازسازی شبکه از جمله حمله دشمن ، در زمینه های متنوعی مانند اکولوژی ، علوم اجتماعی ، علوم اعصاب و امنیت شبکه دارد. مقاله آنها همچنین توانایی خود را در تعیین تأثیر ترول ها و ربات ها بر روی کاربران رسانه های اجتماعی نشان داده است.

بوگدان در نظر دارد تا با آزمایش طیف وسیعی از مدل های حمله ، مجموعه داده های پیچیده تر و متنوع تر و اندازه شبکه های بزرگتر ، کار خود را گسترش دهد تا تأثیر آنها بر روی شبکه بازسازی شده را بفهمد .

تیمی از محققان در دانشگاه بریستول یک شبکه عصبی با یادگیری عمیق ایجاد کرده اند که می تواند بهترین روش برای به حداقل رساندن یا به حداکثر رساندن رنگ را شناسایی کند تا امکان ترکیب شدن در یک پس زمینه یا ایستادن را فراهم کند. این تیم در مقاله خود که در مجله Journal of Royal Society Interface منتشر شده است ، شبکه خود و کاربردهای احتمالی را برای آن شرح می دهد.

در طبیعت ، رنگ آمیزی بسیار مهم است. در بعضی موارد ، این می تواند در جذب همسر خود نقش داشته باشد - در برخی دیگر می توان از آن برای مخفی کردن شکارچیان استفاده کرد. و در بعضی موارد دیگر ، همچنین می تواند شکارچیان را در حالی که شکار می کنند پنهان کنند - نمونه هایی از ببرها نمونه ای از این دست است. ببر جالب است زیرا رنگ نارنجی روشن و رنگ آمیزی سیاه و سفید به نظر می رسد آن را آسان برای شکار به نقطه میان سبز پس زمینه جنگل. اما طعمه های آن ، گونه های مختلف گوزن ، همه رنگی هستند - برای آنها ، ببرها سبز و سیاه به نظر می رسند.

در این تلاش جدید ، محققان در صدد ساخت سیستمی بودند که بتواند مشخص کند کدام یک از بهترین رنگها در کدام زمینه ها ، یا برعکس ، کدام یک از آنها بیشترین ترکیب را دارند. محققان برای دستیابی به این هدف به یک شبکه عصبی یادگیری عمیق روی آوردند . این سیستم با برنامه ریزی برای درک آنچه مورد نظر است و سپس به تجزیه و تحلیل عکس های بسیاری از صحنه ها و حیوانات پس زمینه ، بهترین رنگ را برای یک ارگانیسم تعیین می کند تا از دیدن سایر موجودات بسته به توانایی های تصویری خود جلوگیری کند یا به بهترین وجه از آن خودداری کند.

بیشتر بخوانید: انواع پمپ وکیوم

شبکه به درستی نارنجی را به عنوان رنگ مناسب ببرها انتخاب کرد. آنها خاطرنشان می كنند كه پستانداران قادر به رشد خز سبز نیستند. بنابراین ، ببرها نارنجی هستند زیرا همینطور کار می کند. آنها هیچ توضیحی در مورد اینکه چرا گوزن ها توانایی دیدن رنگ نارنجی را نداشته اند ، ندارند. همچنین ، در طول آزمایش با انسان ، آنها دریافتند که ناظران دارای دید دوقطبی ( نابینایی رنگ ) مدت بیشتری طول می کشد تا حیوانات به شدت رنگی را مشاهده کنند. از طرف دیگر ، افراد دارای دید سه تایی (عادی) در شکستن استتار بسیار خوب بودند. آنها می گویند که شبکه آنها می تواند ابزاری مفید برای درک بهتر نقش نقشی که با حیوانات ساکن در دنیای طبیعی بازی می کند ، باشد.

مایکروسافت تحقیقات آسیا برای کشیدن متن به گفتار که نیاز به آموزش کمی دارد- تشویق می کند و نتایج واقع بینانه ای "فوق العاده" نشان می دهد.

کایل ویگرز در VentureBeat گفت الگوریتم های متن به گفتار متناسب نیستند و دیگران کاملاً توانمند هستند ، اما با این وجود ، تلاش تیم مایکروسافت هنوز نتیجه ای دارد.

عبدالله ماتلووب در دنیای اطلاعات دیجیتال : "تبدیل متن به گفتار با گذشت زمان بسیار هوشمندانه می شود ، اما اشکال این است که هنوز هم می توانید مقدار زیادی از زمان و منابع آموزشی را برای ساخت یک محصول با صدای طبیعی بگذرانید."

تحقیقات مایکروسافت و محققان چینی به دنبال راهی برای کاهش هزینه های زمان آموزش و منابع برای ایجاد خروجی با صدای طبیعی ، راه دیگری را برای تبدیل متن به گفتار کشف کردند.

فابین لنگ در مهندسی جالب : پاسخ آنها معلوم می شود متن به گفتار هوش مصنوعی با استفاده از 200 نمونه صدا (فقط 200) برای ایجاد گفتار صدایی واقعی برای مطابقت با رونوشت ها. لنگ گفت: "این به معنی تقریبا 20 دقیقه ارزش دارد."

این شرط تنها 200 کلیپ صوتی بود و رونوشت های مربوطه آنها را تحت تأثیر قرار Wiggers در VentureBeat قرار دادند . وی همچنین خاطرنشان كرد كه محققان یك سیستم هوش مصنوعی را ابداع كرده اند كه "یادگیری بدون نظارت را تقویت می كند. شاخه ای از یادگیری ماشینی كه دانش را از داده های آزمایش بدون برچسب ، طبقه بندی نشده و طبقه بندی نشده می گیرد."

مقاله آنها روی arXiv است. "تقریباً بدون نظارت متن به گفتار و تشخیص خودکار گفتار " توسط یی رن ، زو تان ، تائو شین ، شنگ ژائو ، ژو ژائو ، کراوات یان لیو است. انجمن های نویسنده دانشگاه ژجیانگ ، تحقیقات مایکروسافت و مرکز فناوری جستجوی مایکروسافت (STC) آسیا هستند.

در مقاله خود ، این تیم اعلام كرد كه TTS AI از دو مؤلفه كلیدی ، ترانسفورماتور و انكودركننده اتوماتیک مخلوط كننده ، استفاده می كند تا همه این كارها را انجام دهد.

200-جفت فقط "... به ویژه وقتی که دیگر وقت اشغال نشده یا هزینه ای در تنظیم ریخته گری یا چاپ حروف زیبا متحمل شده است ..."

یی رن و همکاران روش. "... به ویژه وقتی که دیگر وقت اشغال نشده یا هزینه ای در تنظیم ریخته گری یا چاپ حروف زیبا متحمل شده است ..."
مقاله ای در Edgy توسط Rechelle Fuertes گفت: از طریق ترانسفورماتورها ، هوش مصنوعی متن به گفتار مایکروسافت قادر به تشخیص گفتار یا متن به عنوان ورودی یا خروجی بود .

تایلر لی در Ubergizmo تعریفی از ترانسفورماتور ارائه داد: "ترانسفورماتورها ... شبکه های عصبی عمیقی هستند که برای تقلید نورونها در مغز ما طراحی شده اند ."

MathWorks تعریفی برای autododer داشت. "یک خودرمزگذار یک نوع از شبکه های عصبی مصنوعی مورد استفاده برای یادگیری اطلاعات کارآمد (رمزگذاری) در یک روش بدون نظارت است. هدف از یک رمز گذار خودکار است که برای یادگیری یک نمایش (رمزگذاری) برای مجموعه ای از داده ها، حذف نوفه خودرمزگذار معمولا یک نوع خودکارسازهایی که نادیده گرفته شده اند 'نویز' را در نمونه های ورودی فاسد آموزش ببینند. "

آیا نتایج آزمایش آنها نشان داده است که ایده آنها ارزش تعقیب دارد؟ "روش ما از نظر سطح قابل فهم سطح کلمه 99.84٪ و TOS 2.68 و TER 11.7٪ PER برای ASR [تشخیص خودکار گفتار] در مجموعه داده LJSpeech ، با اعمال تنها 200 داده گفتاری و متن زوجی (حدود 20 دقیقه صوتی) ، همراه با داده های گفتاری و متنی اضافی غیرمجاز. "

چرا این مهم است: این گزارش ممکن است متن را به گفتار در دسترس تر کند.

بیشتر بخوانید: پمپ های وکیوم

لانگ گفت: "محققان به طور مستمر در تلاشند تا سیستم را بهبود بخشند و امیدوارند كه در آینده حتی تولید یك گفتمان مادام العمر حتی كار كمتری نیز انجام دهد."

ویگگر گفت: این مقاله در کنفرانس بین المللی یادگیری ماشین ، در لانگ بیچ کالیفرنیا در اواخر سال جاری ارائه می شود و تیم قصد دارد این کد را در هفته های آینده منتشر کند.

در همین حال ، محققان هنوز در ارائه تحولات با داده های زوجی کمی از کار خود دور نیستند.

وی ادامه داد: "در این کار ، روش تقریباً نظارت نشده ای را برای متن به گفتار و تشخیص خودکار گفتار ارائه داده ایم ، که تنها به معدود داده های گفتاری و متنی زوج و داده های غیر جفت شده اضافی کمک می کند ... برای کار بعدی ، ما به سمت یادگیری بدون نظارت سوق می دهیم با استفاده از روشهای صرفاً اعمال فشار گفتار و متن ، بدون کمک سایر روشهای قبل از آموزش ، "

مقاله جدیدی از یک محقق دانشگاه ایالتی اورگان پیشنهاد می کند که ارزش ها و ادراکات اجتماعی ، چشم انداز انرژی را به همان اندازه فن آوری هایی که تولید و مصرف آن را هدایت می کند ، شکل داده است.

این یافته فرضیه دیرینه را به چالش می کشد که فناوری حاکم سیاست انرژی در ایالات متحده است. این موضوع چه سوخت های فسیلی ، انرژی هسته ای باشد و چه انرژی های تجدید پذیر ، بحث و گفتگو در انجمن های عمومی و محافل سیاست گذاری بر فناوری های انرژی به عنوان منبع اصلی فرصت و ریسک محور است .

هیلاری بودت ، استادیار سیاست های عمومی در OSU و یکی از تعداد بیشتری از محققان ، این ایده طولانی را به چالش می کشد ، گفت: اما عوامل دیگر نیز نقش آفرینی می کنند.

بود گفت: "به جای اینکه به عنوان یک متغیر مستقل عمل کنیم ، تولید و استفاده از انرژی در نهایت توسط جامعه مورد استفاده و هدایت قرار می گیرد." "فن آوری های جدید مرزهای سیستم های انرژی ما را گسترش داده اند. اما این مردم و سیاست ها تعیین كرده اند كه چگونه انرژی در آن مرزها استفاده می شود ، غالباً به روش هایی كه هم به تجربه شخصی و هم به عقاید و رویه های دیرینه خود معطوف شود."

Boudet در مقاله جدیدی که این هفته در مجله Nature Energy منتشر شده است ، روندهای "مردم محور" در سیاست انرژی را شرح می دهد . این قطعه نمای کلی از انتشارات اخیر در زمینه بورژوینگ است.

Boudet به طور خاص بر روی درک عمومی و پاسخ به فن آوری های جدید انرژی متمرکز است ، اعم از پروژه های انرژی بادی بزرگ ، خورشیدی و موج اقیانوس در مقیاس وسیع تا فناوری های مصرف کننده برش مانند وسایل نقلیه برقی ، پنل های خورشیدی پشت بام و کنتورهای هوشمند.

در بررسی خود ، Boudet چهار عامل غالب در شکل گیری ادراک عمومی از فناوریهای جدید انرژی را شناسایی کرده است - فناوری ، مردم ، مکان و فرآیند و همچنین تعامل بین آنها. وی خاطرنشان كرد: این عوامل همپوشانی قابل توجهی دارند.

بودت گفت: "روش قدیمی تفکر این بود که مردم با ارائه اطلاعات بیشتر در مورد آن ، فناوری جدید را بپذیرند. اما آنچه اکنون می یابیم این است که کافی نیست." "مطالعات نشان داده اند که اطلاعات بیشتر لزوماً نظرها را تغییر نمی دهد و یا منجر به اجماع در مورد چگونگی حرکت به جلو می شود."

حمایت یا عدم تأیید منابع جدید انرژی به احتمال زیاد مبتنی بر ارزش ها و تجربیات شخصی است ، و همچنین آنچه ما احساس می کنیم موضع دیگران است که به آنها اعتماد داریم. در نتیجه ، درک این نکته مهم است که افراد ممکن است دیدگاه های مختلفی را در مورد فن آوری های جدید انرژی بر اساس ارزش ها و تجارب شخصی خود و همچنین دیدگاه های موجود در شبکه های اجتماعی خود داشته باشند.

وی گفت: "شکستگی - فرایند شکست هیدرولیک برای استخراج نفت و گاز - نمونه خوبی از این پویاست." "وقتی خطرات و مزایای انتزاعی و دور از ذهن باقی بماند ، مردم تا حد زیادی به ارزشهای خود و تمایلات سیاسی تکیه می کنند تا عقیده ای ایجاد کنند. در مقابل ، کسانی که در نزدیکی شکستگی زندگی می کنند" واقعیت های موجود در زمین "را بررسی می کنند تا نظرات خود را در مورد خطرات شکل دهند. درک و نگرش آنها در درجه اول از تأثیر فن آوری بر زندگی و جامعه آنها ناشی می شود. "

در عین حال ، چگونگی تصمیم گیری در مورد استقرار فناوری نیز درک و واکنش عمومی را شکل می دهد. به خصوص هنگام در نظر گرفتن پروژه های انرژی در مقیاس بزرگ مانند توربین های بادی و مزارع خورشیدی ، اگر ساکنان جوامع اطراف احساس نمی کنند که به اندازه کافی مشورت می شوند یا فرایندهای تصمیم گیری ناعادلانه است ، حتی پروژه های باکیفیت از نظر فن آوری نیز می توانند شکست بخورند.

کسانی که در تلاش برای جلب حمایت از یک پروژه هستند ، اغلب تلاش می کنند جنبه های فناوری یا جنبه های تصمیم گیری را تغییر دهند تا دغدغه های عمومی را برطرف کنند ، اما ممکن است آن استراتژی مانند گذشته کار نکند ، با توجه به شرایط سیاسی فعلی تقسیم کننده ، Boudet گفت.

بیشتر بخوانید: پمپ وکیوم چگونه کار میکند

وی گفت ، یک رویکرد بهتر ممکن است یک برنامه ریزی استراتژیک بلند مدت برای توسعه انرژی باشد که شامل ارزیابی ارزش ها و درک های عمیق اجتماعی و فرهنگی است که نقش اساسی در شکل گیری نگرش ها و اقدامات عمومی دارند.

Boudet معتقد است: "درک بیشتر از بعد انسانی فن آوری های انرژی ، منجر به سیاست های انرژی پایدارتر و مؤثرتر خواهد شد ، که بر پایه یک درک گسترده تر ساخته شده است و شامل آنچه فقط در دانشگاه ها ، آزمایشگاه ها و مراکز تحقیقاتی ما اتفاق می افتد ، نیست. خانه ها ، محلات و محل های کار ما هر روز. "

محققان MIT با پوشیدن یک دستکش بسته بندی شده از سنسور در هنگام کار با انواع اشیا ، یک مجموعه داده عظیم را تهیه کرده اند که یک سیستم هوش مصنوعی را قادر می سازد تا اشیاء را از طریق لمس به تنهایی تشخیص دهد. از این اطلاعات می توان برای کمک به روبات ها در شناسایی و دستکاری اشیاء استفاده کرد ، و ممکن است در طراحی پروتز کمک کند.

محققان یک دستکش بافتنی کم هزینه به نام "دستکش قابل لمس مقیاس پذیر" (STAG) تولید کردند که تقریباً در حدود 550 سنسور ریز مجهز شده است. هر حسگر سیگنال های فشار را ضبط می کند زیرا انسان به روش های مختلفی با اشیاء ارتباط برقرار می کند. یک شبکه عصبی سیگنال ها را برای "یادگیری" مجموعه ای از الگوهای سیگنال فشار مربوط به اشیاء خاص پردازش می کند. سپس سیستم از آن مجموعه داده برای طبقه بندی اشیاء و پیش بینی وزن آنها به تنهایی و بدون نیاز به ورودی بصری استفاده می کند.

در مقاله ای که در Nature منتشر شده است ، محققان مجموعه اطلاعاتی را که با استفاده از STAG برای 26 اشیاء معمول تهیه شده اند توصیف می کنند ، از جمله این شامل یک قوطی نوشابه ، قیچی ، توپ تنیس ، قاشق ، قلم و لیوان است. با استفاده از مجموعه داده ها ، سیستم هویت اشیاء را با دقت 76 درصد پیش بینی می کند. این سیستم همچنین می تواند وزن صحیح اکثر اشیاء را در حدود 60 گرم پیش بینی کند.

دستکش های مبتنی بر حسگر مشابه که امروزه استفاده می شود هزاران دلار دارد و اغلب فقط حدود 50 سنسور دارند که اطلاعات کمتری را ضبط می کنند. حتی اگر STAG داده های با وضوح بسیار بالایی تولید کند ، از مواد تجاری موجود در حدود 10 دلار ساخته شده است.

از سیستم سنجش لمسی می توان در ترکیب با دید رایانه ای سنتی و مجموعه داده های مبتنی بر تصویر استفاده کرد تا روبات ها درک انسانی تر از تعامل با اشیاء داشته باشند.

"انسان می تواند اشیاء را به خوبی شناسایی و اداره کند زیرا ما بازخورد لمسی داریم. وقتی اشیاء را لمس می کنیم ، به اطراف خود احساس می کنیم و متوجه می شویم که چه هستند. روبات ها بازخورد غنی ندارند." '18 ، دانشجوی سابق فارغ التحصیل در آزمایشگاه علوم کامپیوتر و هوش مصنوعی (CSAIL). "ما همیشه می خواستیم روبات ها کاری را انجام دهند که انسان ها می توانند انجام دهند ، مانند انجام دادن ظروف یا کارهای دیگر. اگر می خواهید روبات ها این کارها را انجام دهند ، آنها باید بتوانند اشیاء را به خوبی دستکاری کنند."

محققان همچنین از داده های داده برای اندازه گیری همکاری بین نواحی دست در حین تعامل شی استفاده کردند. به عنوان مثال ، وقتی کسی از مفصل میانی انگشت خود استفاده می کند ، بندرت از انگشت شست خود استفاده می کند. اما نکته های ایندکس و انگشتان میانی همیشه با استفاده از انگشت شست منطبق است. او می گوید: "ما برای اولین بار كم كم نشان می دهیم كه اگر از یك قسمت از دستم استفاده كنم ، چقدر احتمال دارد كه از قسمت دیگری از دستم استفاده كنم."

تولید کنندگان پروتز به طور بالقوه می توانند از اطلاعات استفاده کنند ، به عنوان مثال ، نقاط بهینه را برای قرار دادن سنسورهای فشار انتخاب کنند و به شخصی سازی پروتز در وظایف و اشیاء که افراد به طور منظم با آنها تعامل دارند کمک کنند.

پیوستن به Sundaram بر روی کاغذ عبارتند از: کارت پستال CSAIL پت کلنهاوفر و ژوئن یان زو. دانشجوی ارشد CSAIL Yunzhu Li؛ آنتونیو تورالبا ، استاد ایزو و مدیر آزمایشگاه آزمایشگاهی MIT-IBM Watson AI؛ و Wojciech Matusik ، استادیار مهندسی برق و علوم کامپیوتر و رئیس گروه ساخت محاسباتی.

STAG به عنوان بستری برای یادگیری انسان است. اعتبار: طبیعت (2019). DOI: 10.1038 / s41586-019-1234-z
STAG با یک پلیمر رسانای الکتریکی لمینت شده است که مقاومت در برابر فشار اعمال شده را تغییر می دهد. محققان نخ های رسانا را از طریق سوراخ هایی در فیلم پلیمری رسانا ، از نوک انگشتان تا پایه کف دست دوختند. نخ ها به شکلی با هم همپوشانی دارند که آنها را به حسگر فشار تبدیل می کند. هنگامی که فردی با پوشیدن دستکش احساس ، بلند کردن ، نگه داشتن و رها کردن یک شیء را انجام می دهد ، سنسورها فشار را در هر نقطه ضبط می کنند.

موضوعات از دستکش به مدار خارجی متصل می شوند که داده های فشار را به "نقشه های لمسی" تبدیل می کند ، که در اصل فیلم های کوتاهی از نقاط در حال رشد و کوچک شدن در گرافیک یک دست هستند. نقاط نقطه محل فشار را نشان می دهند و اندازه آنها نیرو را نشان می دهد - هر چه نقطه بزرگتر باشد فشار بیشتر می شود.

از بین این نقشه ها ، محققان مجموعه ای از حدود 135000 فریم ویدیویی را از تعامل با 26 اشیاء جمع آوری کردند. این قاب ها می توانند توسط یک شبکه عصبی برای پیش بینی هویت و وزن اجسام مورد استفاده قرار گیرند و دیدی در مورد درک انسان ارائه دهند.

محققان برای شناسایی اشیاء ، یک شبکه عصبی حلقوی (CNN) که معمولاً برای طبقه بندی تصاویر استفاده می شود ، برای ایجاد الگوهای فشار خاص با اشیاء خاص ، طراحی کردند. اما ترفند انتخاب قاب هایی از انواع مختلف ملخ ها برای گرفتن تصویر کامل از جسم بود.

بیشتر بخوانید: پمپ وکیوم و کارکرد آن

این ایده برای تقلید از چگونگی نگه داشتن یک شیء از روش های مختلف برای تشخیص آن ، بدون استفاده از بینایی خود بود. به طور مشابه ، CNN محققان حداکثر هشت فریم نیمه تصادفی را از این ویدئو انتخاب می کند که نشانگر متفاوت ترین چنگک ها است - می گویند ، نگه داشتن لیوان از پایین ، بالا و دسته.

اما CNN فقط نمی تواند در هر فیلم فریم های تصادفی را از بین هزاران نفر انتخاب کند ، یا احتمالاً چنگ های مشخصی را انتخاب نمی کند. در عوض ، فریم های مشابه را با هم دسته بندی می کند و در نتیجه خوشه های مجزا مطابق با چنگک های منحصر به فرد است. سپس ، یک قاب را از هر یک از این خوشه ها می کشد ، و اطمینان می دهد که دارای یک نمونه نماینده است. سپس CNN از الگوهای تماسی که در آموزش آموخته است برای پیش بینی طبقه بندی شی از قاب های انتخاب شده استفاده می کند.

Kellnhofer می گوید: "ما می خواهیم تغییرات بین فریم ها را به حداکثر برسانیم تا بهترین شکل ممکن به شبکه ما وارد شود." "همه فریم های موجود در یک خوشه واحد باید دارای امضای مشابه باشند که بیانگر روش های مشابه درک شی است. نمونه برداری از چند خوشه یک انسان را شبیه سازی می کند که به صورت تعاملی سعی در یافتن دست های مختلف در هنگام کاوش یک شی دارد."

محققان دانشکده مهندسی NYU تاندون NYU برای خنثی کردن روشهای پیشرفته در تغییر عکس و فیلم ، یک روش تجربی را برای تأیید صحت تصاویر در کل خط لوله ، از کسب تا تحویل ، با استفاده از هوش مصنوعی (AI) نشان داده اند.

در آزمایشات ، این خط لوله تصویربرداری اولیه شانس تشخیص دستکاری را از تقریباً 45 درصد به بیش از 90 درصد بدون آسیب رساندن به کیفیت تصویر افزایش داده است .

تعیین اینکه آیا یک عکس یا فیلم معتبر است به طور فزاینده ای مشکل ساز می شود. تکنیک های پیشرفته برای تغییر عکس ها و فیلم ها چنان دسترسی پیدا کرده اند که به اصطلاح "جعلیات عمیق" - عکس ها یا فیلم های ضمنی کاملاً قانع کننده و اغلب مشهور یا چهره های سیاسی رایج شده اند.

پاول کوروس ، استادیار تحقیقات در گروه علوم کامپیوتر و مهندسی در NYU Tandon ، پیشگام این رویکرد بود. این خط لوله توسعه عکس معمولی را با یک شبکه عصبی ( یک شکل AI) جایگزین می کند که در مواقع کسب تصویر ، آثار با دقت ساختگی را مستقیماً در تصویر معرفی می کند. این مصنوعات ، شبیه به "علامت های دیجیتال" ، در برابر دستکاری بسیار حساس هستند.

کوروس گفت: "بر خلاف تکنیک های علامت گذاری در گذشته استفاده شده ، این مصنوعات یاد گرفته شده توسط AI می توانند نه تنها وجود دستکاری عکس بلکه شخصیت آنها را نیز آشکار سازند."

این فرایند برای جاسازی در دوربین بهینه شده است و می تواند در اعوجاج تصویر اعمال شده توسط سرویس های اشتراک عکس آنلاین زنده بماند.

مزایای ادغام چنین سیستم هایی در دوربین ها مشخص است.

نصیر ممون ، استاد علوم کامپیوتر و مهندسی کامپیوتر در NYU Tandon و همکار نویسنده با Korus ، گفت: "اگر دوربین خود تصویری تولید کند که نسبت به دستکاری حساس تر باشد ، هرگونه تنظیم با احتمال زیاد تشخیص داده می شود." جزئیات این تکنیک. Memon گفت: "این علامت های سفید می توانند پس از پردازش زنده بمانند ؛ با این حال ، هنگام اصلاح ، کاملاً شکننده هستند: اگر تصویر را تغییر دهید ، علامت آبشکن می شکند."

اکثر تلاشهای دیگر برای تعیین صحت تصویر ، تنها محصول نهایی را مورد بررسی قرار می دهد - یک کار بسیار دشوار.

در عوض ، اندازه گیری عملکرد پمپ وکیوم کوروس و ممون استدلال کردند که تصویربرداری دیجیتال مدرن در حال حاضر به یادگیری ماشین متکی است. هر عکسی که از تلفن هوشمند گرفته شده است ، برای تنظیم کم نور و تثبیت تصاویر ، در حال پردازش تقریباً لحظه ای است ، که هر دو حسن نیت ارائه می دهند از هوش مصنوعی. در سال های آینده ، فرآیندهای رانده شده توسط هوش مصنوعی احتمالاً جایگزین خطوط لوله سنتی تصویربرداری دیجیتال خواهند شد. با گذشت زمان این انتقال ، Memon گفت که "ما می توانیم وقتی از صحت تصویر و تأیید صحت تصویر استفاده کنیم ، قابلیتهای دستگاههای نسل بعدی را به طرز چشمگیری تغییر دهیم. خط بین واقعی و جعلی می تواند دشوار باشد با اعتماد به نفس ترسیم می شود. "

خاطرنشان كردند: در حالی كه رویكرد آنها نوید آزمایش را نشان می دهد ، كارهای دیگری برای اصلاح سیستم لازم است. این راه حل منبع باز است و به آدرس قابل دسترسی است .

محققان مقاله خود را با عنوان "تأیید صحت محتوا برای خطوط تصویربرداری عصبی: بهینه سازی نهایی به منظور تحقق عکس در کانال های توزیع پیچیده" ، در ماه ژوئن در کنفرانس بینایی رایانه و تشخیص الگو در لانگ بیچ ، کالیفرنیا ، ارائه می دهند.

محققان دانشگاه هاروارد پس از سالها پیشرفت در باتری جریان آلی ، با مشکل روبرو شدند: مولکولهای آلی آنتراکینون آلی که باتری خود را از کار می اندازند به آرامی با گذشت زمان تجزیه می شوند و باعث کاهش سودمندی طولانی مدت باتری می شوند.

اکنون محققان به سرپرستی مایکل عزیز ، استاد ژن و تریسی سایکس ، استاد مواد و فناوریهای انرژی در دانشکده مهندسی و علوم کاربردی دانشکده مهندسی هاروارد جان A. پالسون (SEAS) و روی گوردون ، توماس دادلی کابوت ، استاد شیمی و استاد از Science Material — نه تنها نحوه تجزیه مولكولها بلكه چگونه می توان تجزیه و حتی تجزیه را معكوس كرد.

مولکول مرگ آور ، که در مقاله خود DHAQ نامیده می شود اما در آزمایشگاه لقب "زامبی کوینون" را دارد ، ارزانترین تولید برای تولید در مقیاس بزرگ است. روش جوانسازی تیم باعث کاهش سرعت محو شدن باتری حداقل یک عامل 40 می شود ، در حالی که این امکان را می دهد تا باتری کاملاً از مواد شیمیایی کم هزینه تشکیل شود.

این تحقیق در ژورنال جامعه شیمیایی آمریکا منتشر شده است .

عزیز گفت: "اگر باتری های جریان آلی نفوذ گسترده ای به بازار داشته باشند ، هزینه تولید انبوه بسیار مهم است." "بنابراین ، اگر ما می توانیم از این تکنیک ها برای افزایش عمر DHAQ به ده ها سال استفاده کنیم ، پس یک شیمی برنده داریم."

گوردون گفت: "این یک گام بزرگ در پیشبرد ماست تا بتوانیم سوخت های فسیلی را با برق تجدید پذیر متناوب جایگزین کنیم."

از سال 2014 ، Aziz ، Gordon و تیم آنها در پیشبرد توسعه باتریهای آبی آلی ایمن و مقرون به صرفه برای ذخیره انرژی از منابع تجدید پذیر متناوب مانند باد و خورشیدی و تحویل آن در هنگام باد وزش باد و آفتاب نیستند. درخشان باتریهای آنها از مولکول هایی به نام آنتراکینون ها استفاده می کنند که از عناصر طبیعی فراوانی مانند کربن ، هیدروژن و اکسیژن برای ذخیره و آزاد سازی انرژی استفاده می شوند.

در ابتدا ، محققان فکر می کردند که طول عمر این مولکولها بستگی به چند بار شارژ و تخلیه باتری دارد ، مانند باتری های الکترود جامد مانند یون لیتیوم. با این حال ، در آشتی دادن نتایج متناقض ، محققان دریافتند که این عناصر سنگی با گذشت زمان ، به آرامی در حال تجزیه می شوند ، صرف نظر از اینکه چند بار از باتری استفاده شده است. آنها دریافتند که میزان تجزیه به سن تقویم مولکولها است ، نه چند بار که آنها بارگیری و تخلیه شده اند.

این کشف باعث شد محققان مکانیسم هایی پمپ انتقال نیرو وکیوم را تجزیه کنند که مولکول ها تجزیه می شوند.

گوردون گفت: "ما دریافتیم که این مولکولهای آنتراکینون ، که دو اتم اکسیژن در یک حلقه کربن ساخته شده اند ، تمایل کمی به از دست دادن یکی از اتم های اکسیژن خود هنگام شارژ شدن دارند و به یک مولکول متفاوت تبدیل می شوند." "هنگامی که این اتفاق می افتد ، یک واکنش زنجیره ای از وقایع آغاز می شود که منجر به از بین رفتن غیر قابل برگشت مواد ذخیره انرژی می شود."

محققان دو روش برای جلوگیری از این واکنش زنجیره ای پیدا کردند. اولین: مولکول را در معرض اکسیژن قرار دهید. این تیم دریافتند که اگر این مولکول فقط در قسمت مناسب چرخه تخلیه خود در معرض هوا باشد ، اکسیژن را از هوا می گیرد و به مولکول اصلی آنتراکینون تبدیل می شود - گویا از مردگان باز می گردد. یک آزمایش واحد 70 درصد ظرفیت گمشده را از این طریق کشف کرد.

دوم ، تیم دریافتند که شارژ بیش از حد باتری شرایطی را ایجاد می کند که تجزیه را تسریع می کند. جلوگیری از شارژ بیش از حد ، عمر را با ضریب 40 افزایش می دهد.

عزیز گفت: "در کار های آینده ، ما باید تعیین کنیم که چقدر ترکیب این روشها می تواند طول عمر باتری را افزایش دهد اگر ما آنها را درست مهندسی کنیم."

گوردون گفت: "مکانیسم های تجزیه و تولد دوباره احتمالاً برای همه آنتراكینونها مهم هستند و آنتراكینونها بهترین مولكولهای ارگانیك شناخته شده و امیدواركننده برای باتریهای جریان هستند."

Imre Gyuk ، مدیر دفتر انرژی دفتر برنامه ذخیره سازی برق گفت: "این کار مهم نشان دهنده پیشرفت قابل توجهی به سمت باتری های کم مصرف و طولانی مدت است." "چنین دستگاه هایی لازم است تا شبکه برق بتواند مقادیر فزاینده ای از تولید تجدیدپذیر سبز اما متغیر را جذب کند."

محققان UC برکلی برای ارزیابی رویکردهای یادگیری روباتیک ، یک پلت فرم معیار قابل تکرار ، کم هزینه و جمع و جور را ایجاد کرده اند ، که آنها REPLAB نامیده اند. مطالعه اخیر آنها ، در مقاله ای که از قبل روی arXiv منتشر شده است ، توسط برکلی DeepDrive ، دفتر تحقیقات نیروی دریایی (ONR) ، گوگل ، انویدیا و آمازون پشتیبانی شد.

برایان یانگ ، یکی از محققانی که انجام داده است ، گفت: "رویکردهای مبتنی بر یادگیری ماشینی به تازگی روبوتیک رواج یافته است ، اما در حال حاضر به دلیل تفاوت عمده در سخت افزارهای مورد استفاده در آزمایشگاههای مختلف ، روش ساده ای برای مقایسه وجود ندارد." مطالعه ، به TechXplore گفت. "به عنوان مثال ، در تحقیقات تحقیق ، همه چیز از نوع بازو یا گیربکس گرفته شده گرفته تا مواد ساخته شده از گیربکس ، بر عملکرد گرفتن اثر می گذارد ، بنابراین حتی اگر دقت درک بهتری نسبت به یک روش از سال گذشته داشته باشید ، مشخص نیست. آیا این به دلیل کنترل بهتر یا سخت افزار بهتر است. "

در سالهای اخیر ، نیاز به فزاینده ای برای تدابیر استاندارد شده و سیستم عامل های معیار برای ارزیابی رویکردهای یادگیری ماشین برای روباتیک وجود دارد. ایجاد معیارهای مؤثر گاهی اوقات می تواند چالش برانگیز باشد ، به خصوص برای یادگیری روباتیک ، جایی که انتظار می رود ربات ها مدل های آموخته شده را به اشیاء و موقعیت های جدید تعمیم دهند. بستر جدید معیار توسعه یافته در UC Berkeley یک راه حل کم هزینه و به راحتی قابل تکرار برای آزمایش رویکردهای دستکاری شی رباتیک ارائه می دهد.

"سایر کاربردهای یادگیری ماشینی مانند دید رایانه ای و پردازش زبان طبیعی از داشتن مجموعه داده ها و معیارها بسیار سود برده اند ، زیرا آنها تمرکز پژوهش را بر روی مشکلات مهم می گذارند ، راهی برای ترسیم پیشرفت جامعه تحقیقاتی فراهم می کنند و به شناسایی سریع آنها کمک می کنند. انتشار و بهبود ایده های خوب است. " "ما REPLAB را برای ارائه این عملکرد برای جامعه تحقیق یادگیری ربات طراحی کرده ایم."

دو سلول REPLAB در بالای یکدیگر جمع شده اند. اعتبار: یانگ و همکاران.
REPLAB دارای چندین مؤلفه از جمله بازوی روباتیک ، دوربین و فضای کاری است که در یک فضای مکعب 70 40 40 60 60 سانتی متر قرار داده شده است. ساخت این پلت فرم تقریباً 2000 دلار هزینه دارد و می توان تنها در طی چند ساعت مونتاژ کرد. طراحی جمع و جور و کم هزینه آن به محققان بیشتری ، حتی کسانی که بودجه محدود دارند ، اجازه می دهد تا چارچوبها و رویکردهای خود را ارزیابی کنند.

جیارامان توضیح داد: REPLAB یک بستر سخت افزاری کاملاً استاندارد برای دستکاری رباتیک است که با استفاده آسان از ذهن ساخته می شود. "این شامل یک بازوی کم هزینه (Trossen WidowX) ، یک دوربین RGB-D (Intel Realsense SR300) و یک فضای کاری استاندارد و جمع و جور است که به راحتی در چند ساعت با استفاده از دستورالعمل های مونتاژ ما جمع می شود . همه در کنار هم قرار می گیرند ، یک کل. سلول REPLAB حدود 2k USD (در مقایسه با تنظیمات بازوی استاندارد که 40-50k هزینه دارد) هزینه دارد ، حدود 10 برابر فضای کمتری نسبت به یک نوع بازوی استاندارد اشغال می کند. "

علاوه بر خود پلتفرم ، محققان الگویی را برای یک معیار درک ارائه دادند که شامل یک تعریف وظیفه و پروتکل ارزیابی ، اقدامات عملکرد و یک مجموعه داده از 92000 تلاش برای درک است. مبانی اولیه این معیار از طریق پیاده سازی ، ارزیابی و تجزیه و تحلیل چندین رویکرد درک واقعی موجود است.

"از آنجا که ما این بستر سخت افزاری استاندارد را داریم ، ما همچنین می توانیم یک بسته نرم افزاری منبع باز را با پیاده سازی های الگوریتم های مختلف یادگیری روبات ها به اشتراک بگذاریم (تاکنون الگوریتم های یادگیری نظارت شده برای گرفتن و تقویت الگوریتم های یادگیری برای رسیدن به نقطه 3 بعدی رسیدن)". جیاماران گفت. "اگر یک سلول REPLAB را از خود بسازید ، می توانید یک تصویر Docker را که حاوی این پیاده سازی ها است ، بارگیری کنید و آنها را خارج از جعبه روی سلول خود اجرا کنید."

یک سلول REPLAB بدون حاشیه نویسی. اعتبار: یانگ و همکاران.
تا کنون ، محققان در درجه اول ارزیابی هایی را با هدف تأیید امکان سنجی REPLAB به عنوان بستری برای تحقیقات تجدید پذیر در یادگیری روباتیک انجام داده اند و با تمرکز روی دو کار خاص: درک و رسیدن به نقطه 3 بعدی. به عبارت دیگر ، آنها از بستر خود برای پیاده سازی و ارزیابی چندین رویکرد یادگیری عمیق تحت نظارت برای این کارهای درک خاص استفاده کرده اند. یافته های آنها حاکی از آن است که این پلت فرم الگوریتم های موجود را در معرض چالش های تا حدودی قابل فهم قرار می دهد که برای توسعه روبات هایی که در طبیعت عملکرد خوبی دارند ، از جمله فعال سازی پر سر و صدا بسیار مهم است.

بیشتر بخوانید: پمپ وکیوم چیست؟

جیاماران گفت: "ما تأیید کردیم که نتایج در بین چندین سلول REPLAB سازگار است ، که برای فکر کردن در مورد اجرای الگوریتم های مبتنی بر REPLAB و ارزیابی های قابل تجدید مهم است." "ما معتقدیم که REPLAB معیارهای پیشرفت مداوم و قابل تکرار را برای یادگیری روبات ها تسهیل می کند ، مانع از ورود به روباتیک برای محققان در رشته های مرتبط مانند یادگیری ماشین را کاهش داده و کد و داده های قابل تقسیم را در بین محققان ترغیب می کند."

بستر جدید معرفی شده توسط یانگ ، جیارامان و همکارانشان به زودی می توانند محققان بیشتری را برای ارزیابی رویکردها برای طیف گسترده ای از کارهای دستکاری فراهم کنند. با این حال ، مانند سایر سیستم عامل های benchmank ، برای موفقیت ، استفاده از REPLAB باید جامعه تحقیق یادگیری ربات را درگیر کند.

جیارامان گفت: "در حالی که سالهاست که ما برای حفظ بستر های نرم افزاری سرمایه گذاری می کنیم ، ما از مشارکت جامعه مانند اجرای جدید الگوریتم ، مجموعه داده ها و معیارها و بستر منبع باز ما دعوت می کنیم." "چشم انداز بزرگ رسیدن به نقطهای است که اگر یک الگوریتم جدید یادگیری ربات مدرن آزاد شود ، یک محقق که در هر نقطه از جهان نشسته است ، می تواند با اجرای چند برنامه ، بارگیری ، ارزیابی ، تکرار و بهبود یابد. روزها. فکر می کنیم REPLAB با انجام دو کار باعث تسریع در تحقیقات می شود: کاهش سد ورود و اجازه دادن افراد بیشتری به شرکت در تحقیقات پیشرفته ، و اجازه دادن به این نوع تکرار سریع و بهبود از طریق به اشتراک گذاری کد. "

در آینده پژوهان ، محققان UC Berkeley قصد دارند که سکوی خود را بیشتر توسعه دهند و یک شبیه ساز کامل سلول و الگوریتم های REPLAB را برای کنترل قوی اضافه کنند ، ضمن اینکه با چالش های جدید دستکاری نیز مقابله می کنند. آنها همچنین امیدوارند که بتوانند تصویر repo و docker github REPLAB رسمی REPLAB را گسترش دهند ، از جمله اجرای الگوریتم های پیشرفته تر.

تعداد فزاینده ای از دستگاه ها اکنون به اینترنت متصل شده و قادر به جمع آوری ، ارسال و دریافت داده ها هستند. این ارتباط بین دستگاه ها ، که از آن به اینترنت اشیاء (IoT) یاد می شود ، تهدیدهای امنیتی جدی را به همراه دارد ، زیرا حمله کنندگان سایبری اکنون می توانند رایانه ها و تلفن های هوشمند را هدف قرار دهند ، اما همچنین طیف گسترده ای از دستگاه های دیگر مانند تبلت ، ساعت هوشمند ، سیستم خانه های هوشمند و ... سیستم های حمل و نقل و غیره.

در حال حاضر ، نمونه هایی از اجرای IoT در مقیاس بزرگ (به عنوان مثال زیرساخت های متصل ، شهرها و غیره) تا حدودی محدود هستند ، اما به زودی می توانند گسترده شوند و خطرات قابل توجهی برای مشاغل و خدمات عمومی ایجاد می کنند که به طور روزانه به اینترنت تکیه می کنند. عملیات برای کاهش این خطرات ، محققان در تلاشند تدابیر امنیتی را برای محافظت از دستگاه های متصل به اینترنت در برابر حملات شبکه بی سیم ایجاد کنند.

برای این منظور ، دو محقق در دانشگاه علوم و صنایع Baoji ، در چین ، به تازگی روشی جدید برای دفاع از دستگاه ها در یک محیط IOT در برابر حملات شبکه بی سیم ایجاد کرده اند. رویکرد آنها ، که در مقاله ای منتشر شده در مجله بین المللی شبکه های اطلاعات بی سیم Springer ، یک شبکه عصبی عمیق با یک مدل مبتنی بر تئوری بازی ، شاخه ای از ریاضیات ارائه می دهد که استراتژی هایی را برای مقابله با موقعیت هایی که مستلزم رقابت بین طرف های مختلف است ، ارائه می دهد.

محققان در مقاله خود توضیح دادند: "اولاً ، با توجه به اطلاعات توپولوژی شبکه ، رابطه قابل دستیابی و اطلاعات آسیب پذیری شبکه ، این روش نقشه حمله دولتی و دفاعی شبکه را تولید می کند." "براساس نقشه حمله و دفاع دولت ، بر اساس مدل بازی غیر صفر غیر تعاونی ، الگوریتم تصمیم گیری برای حمله و دفاع بهینه پیشنهاد می شود."

بیشتر بخوانید: پمپ وکیوم کوچک

اساساً ، روش آنها نقشه حمله و دفاعی ایالتی را بر اساس اطلاعات دسترسی و آسیب پذیری شبکه ایجاد می کند ، که تمامی مسیرهای حمله و دفاعی احتمالی را مشخص می کند. سپس احتمال موفقیت هر یک از این "مسیرهای حمله" ، یک شاخص خطر و ارزش استفاده از حمله های مختلف به یک استراتژی های دفاعی که هنگام رسیدن شبکه به حالت های امنیتی خاصی محاسبه می شود ، محاسبه می کند. علاوه بر این ، تعامل بین حمله و دفاع به یک مدل بازی غیر تعاونی ، غیر صفر و ترکیبی انتزاع می شود. یک چارچوب تئوری بازی که برای مشکلات مربوط به جرم و دفاع قابل اجرا است.

این مدل حمله بهینه و دفاعی همچنین اقدامات پیشگیری و کنترل نقاط آسیب پذیر را در برمی گیرد. سیستم فازی روش سپس یک شاخص ضریب خطر امنیت اطلاعات را تعیین می کند و آن را به یک شبکه عصبی با عملکرد شعاعی (RBF) تغذیه می کند. برای بهینه سازی و آموزش پارامترهای شبکه عصبی RBF ، محققان از الگوریتم بهینه سازی swarm ذرات استفاده کردند. در نهایت ، تمام این مراحل به روش خود اجازه می دهد تا به یک مدل دفاعی بهینه دست یابد.

در آینده ، تکنیک توسعه یافته توسط این تیم از محققان می تواند به محافظت از دستگاه های IoT در برابر حملات شبکه بی سیم کمک کند. در یک سری از شبیه سازیهای که اثر بخشی آن را ارزیابی می کند ، الگوریتم دفاعی عملکرد بسیار خوبی داشته و میانگین خطای آن زیر 2 درصد است.

محققان در مقاله خود نوشتند: "نتایج شبیه سازی نشان می دهد که الگوریتم دفاعی حمله شبکه بی سیم با استفاده از یک شبکه عصبی عمیق همراه با مدل بازی می تواند نقایص تصادفی ذهنی و نتیجه گیری فازی روشهای دفاعی حمله به شبکه بی سیم سنتی را برطرف کند ." "خطای متوسط کمتر از 2 درصد است و سنتی تر از الگوریتم یادگیری ماشینی است که از دقت مناسب تر ، توانایی یادگیری بیشتر و همگرایی سریعتر برخوردار هستند."

ما شاهکارهای تخیلی جعلی عکس را می بینیم. اکنون باید بفهمیم که در مورد آنها چه باید کرد. هدف این است که بتوانیم از واقعیت جعلی بگوییم ، اما چگونه می توان به آنجا رسید؟ پزشکی قانونی ابزاری اساسی برای شکار عکس های جعلی است و به نظر نمی رسد کار خوبی برای به دست آوردن آن ابزار برای عملکرد خوب باشد.

لیلی هی نیومن در Wired گفت: "یكی از سخت ترین موارد در مورد تشخیص عکس های دستکاری شده یا" عمیق ترین چیزها "این است که پرونده های عکس دیجیتالی رمزگشایی نشده اند ."

پس از آن متخصصان چه نتیجه ای کسب کرده اند؟ تحلیلگران پزشکی قانونی فهمیدند چگونه بعضی از خصوصیات دیجیتالی را برای تشخیص اختلال دخالت می کنند ، "اما این شاخص ها همیشه یک تصویر قابل اعتماد را ترسیم نمی کنند."

و حتی ممکن است این سرنخ ها کمکی نکنند ، زیرا "بسیاری از انواع متداول" پردازش بعد از عمل "مانند فشرده سازی پرونده برای بارگذاری و به اشتراک گذاری عکس آنلاین ، به هر حال این سرنخ ها را از بین ببرید."

اما ادامه دهید محققان دانشکده فنی دانشگاه تاندون دانشگاه نیویورک دارای محرمانه مقاوم در برابر ضربات سخت از خود دوربین بودند.

مقاله آنها در مورد این ایده در مورد arXiv است ، و با عنوان "خطوط تصویربرداری عصبی - معضل یا امید پزشکی قانونی؟" نویسندگان پاول کوروس و نصیر ممون هستند.

"ما نشان می دهیم که یک شبکه عصبی می تواند برای جایگزینی کل خط لوله توسعه عکس آموزش داده شود ، و به طور مشترک برای رندر عکس با اطمینان بالا و آنالیز قابل اعتماد بودن بهینه سازی شود. چنین خط لوله تصویربرداری عصبی بهینه شده اجازه می دهد تا دقت تشخیص دستکاری تصویر را از حدود 45٪ افزایش دهیم. این شبکه یاد می گیرد تا آثار باستانی دستکاری شده ، شبیه به علامت های دیجیتالی ، که تشخیص دستکاری بعدی را تسهیل می کند ، معرفی کند. تجزیه و تحلیل بازده عملکرد نشان می دهد که بیشترین سود می تواند فقط با تحریف جزئی حاصل شود. "

وایر توضیح داد که نویسندگان چه پیشنهادی داشتند: آموزش یک شبکه عصبی برای قدرت در روند توسعه عکس که در داخل دوربین ها انجام می شود. نیومن نوشت: "این سنسورها در حال تفسیر نوری هستند كه به لنز ضربه می زند و آن را به یك تصویر با كیفیت تبدیل می كنند. همچنین شبکه عصبی نیز آموزش داده شده است تا پرونده را با نشانگرهای غیرقابل اطمینان علامت گذاری كند كه بعدا در صورت نیاز توسط تحلیلگران پزشکی قانونی قابل بررسی هستند."

او به نقل از محقق نصیر ممون درباره اظهار نظر در مورد جعل جعلی به این روش گفت. او گفت که "شما باید به مبدائی که تصویر در آن گرفته شده است نزدیک شوید."

وی در ادامه گفت كه "در این كار" ما تصویری را ایجاد می كنیم كه از نظر پزشکی قانونی باشد و این امر باعث می شود تحقیقات پزشکی قانونی بهتر از یك تصویر معمولی انجام شود. این روش پیشگیرانه است نه ایجاد تصاویر برای كیفیت بصری آنها و سپس امیدوار است كه فنون پزشکی قانونی كار كنند. بعد از واقعیت

ملانی Ehrenkranz در Gizmodo همچنین توضیح داد که محققان برای دستیابی به موفقیت در پزشکی قانونی با استفاده از یادگیری ماشینی برای اهداف پزشکی قانونی و پخت یک روش تشخیص درست در دوربین استفاده کردند.

Ehrencranz: "آنها روشی را توصیف می کنند که در آن یک شبکه عصبی فرآیند توسعه عکس را جایگزین می کند تا تصویر اصلی گرفته شده با چیزی مانند علامت دیجیتالی مشخص شود تا نشان از استحکام عکس در تجزیه و تحلیل پزشکی قانونی دیجیتال باشد. به عبارت دیگر ، این فرایند را مشخص می کند. منشأ عکس ها و اینکه آیا از ابتدای حالت اولیه دستکاری شده است. "

انتشار این خبر از دانشکده مهندسی تانون NYU خلاصه ای به خصوص از آنچه این محققان به دست آورده اند بود. رویکرد آنها "خط لوله توسعه عکس معمولی را با یک شبکه عصبی جایگزین می کند - یک شکل AI" که در لحظه بدست آوردن آثار با دقت ساختاری مستقیماً به تصویر معرفی می کند. ""

کوروس گفت: "بر خلاف تکنیک های علامت گذاری در گذشته استفاده شده ، این مصنوعات یاد گرفته شده توسط AI می توانند نه تنها وجود دستکاری عکس بلکه شخصیت آنها را نیز آشکار سازند."

این فرایند برای جاسازی در دوربین بهینه شده است و می تواند در اعوجاج تصویر اعمال شده توسط سرویس های اشتراک عکس آنلاین زنده بماند.

بیشتر بخوانید: پمپ وکیوم کوچک

بحث در مورد علامت گذاری پزشکی قانونی بر روی عکس ها بوده است. در مورد فیلم چیست؟ وایر گفت ویدئو چیزی است که محققان گفتند که آنها هنوز دست به اعتصاب نزنند ، اما این امر از نظر تئوری امکان پذیر است.

"ما معتقدیم که باید فرصت های جدیدی را برای طراحی امنیتی مدار دوربین ها و کانال های پخش چندرسانه ای که با اتخاذ پردازنده های تصویربرداری عصبی همراه هستند در نظر بگیریم."

در واقع ، جعبه ابزار تصویربرداری عصبی آنها در GitHub در دسترس است. این به عنوان "جعبه ابزار Python برای بهینه سازی خطوط تصویربرداری عصبی برای تشخیص دستکاری عکس" توصیف شده است.

انتشار NYU Tandon این نکته را بیان کرد که در سالهای آینده ، "فرآیندهای محرک هوش مصنوعی احتمالاً جایگزین خطوط لوله سنتی تصویربرداری دیجیتال خواهند شد." Memon گفت: با گذشت زمان این انتقال ، "ما این فرصت را داریم که قابلیت های دستگاه های نسل بعدی را در هنگام صحت تصویر و تأیید اعتبار به طور چشمگیری تغییر دهیم. تصویربرداری از خطوط لوله که برای پزشکی قانونی بهینه شده اند می توانند به بازگرداندن یک عنصر اعتماد در مناطقی بپردازند که خط اطمینان و جعلی با اعتماد به نفس دشوار باشد. ""

برای نظارت بر محیط زیست ، کشاورزی دقیق ، نگهداری زیرساخت ها و برخی از کاربردهای امنیتی ، کند و کارآمد انرژی می تواند بهتر از سریع باشد و همیشه نیاز به شارژ مجدد دارد. اینجاست که "SlothBot" وارد می شود.

SlothBot که با استفاده از یک جفت پانل فتوولتائیک طراحی و ساخته شده است تا بطور مداوم در سایبان جنگل بماند ، SlothBot تنها زمانی حرکت می کند که باید اندازه گیری تغییرات محیطی - از جمله آب و هوا و عوامل شیمیایی در محیط - باشد که فقط با طولانی مدت مشاهده می شود. حضور روبات فوق العاده کارآمد اثبات مفهوم ، که در تاریخ 21 مه در کنفرانس بین المللی رباتیک و اتوماسیون (ICRA) در مونترال توضیح داده شد ، ممکن است به زودی در بین کابل های شکارچی در باغ گیاه شناسی آتلانتا قرار بگیرد.

مگنوس Egerstedt ، رئیس مدرسه استیو دبلیو چادک ، رئیس دانشکده مهندسی برق و رایانه در انستیتوی فناوری جورجیا و محقق اصلی گفت: "در رباتیک ، ما همیشه در حال تلاش برای روبات های سریعتر ، چابک تر و شدیدتر هستیم." Slothbot "اما بسیاری از برنامه های کاربردی در آنجا وجود دارد که نیازی به سریع بودن نیست. شما فقط باید در مدت زمان طولانی با پشتکار در آنجا باشید.

براساس آنچه اِگگرستت آن را "تئوری کندی" نامیده است ، دستیار تحقیقات فارغ التحصیلان Gennaro Notomista SlothBot را به همراه همکار خود ، یوسف امام ، با استفاده از قطعات چاپی 3 بعدی برای مکانیزم های دنده و تعویض سیم مورد نیاز برای خزیدن از طریق شبکه سیم طراحی کرد. در درختان. Notomista گفت که بزرگترین چالش برای یک روبات خزنده سیم ، سوئیچینگ از یک کابل به سیم دیگر است.

وی گفت: "این چالش به آسانی در حال گرفتن سیم است و در حالی که دیگر را می گیرید." "این یک مانور دشوار است و شما باید این کار را به درستی انجام دهید تا یک انتقال ایمن بدون نقص را انجام دهید. اطمینان از اینکه سوئیچ ها در مدت زمان طولانی به خوبی کار می کنند ، واقعاً بزرگترین چالش است."

از نظر مکانیکی ، SlothBot از دو بدن متصل شده توسط لولا فعال شده است. در هر بدنه موتور محرکی متصل به لبه ای است که یک لاستیک روی آن نصب شده است. محققان می گویند ، استفاده از چرخ ها برای جابجایی ساده ، کارآمد و ایمن تر از سایر انواع حرکت مبتنی بر سیم است.

تصویر اجزای SlothBot را نشان می دهد که توسط دو پنل فتوولتائیک تغذیه می شود. چرخ دنده ها و سوئیچ های پرینت سه بعدی به ربات کمک می کنند تا از یک کابل به کابل دیگر سوئیچ شود. اعتبار: آلیسون کارتر ، جورجیا تکنیک
SlothBot تاکنون در شبکه ای از کابل ها در پردیس جورجیا فناوری کار کرده است. در مرحله بعد ، یک پوسته جدید با چاپ 3 بعدی - که باعث می شود روبات بیشتر شبیه یک خلوت باشد - از موتورها ، چرخ دنده ها ، محرک ها ، دوربین ها ، رایانه و سایر اجزای آن در برابر باران و باد محافظت می کند. این مرحله برای مطالعات طولانی مدت در سایبان درختان در باغ گیاه شناسی آتلانتا ، جایی که Egerstedt امیدوار است بازدید کنندگان از اوایل پاییز امسال شاهد نظارت بر SlothBot باشند ، می شود.

بیشتر بخوانید: پمپ وکیوم کوچک

نام SlothBot تصادفی نیست. حیوانات اهلی واقعاً پستانداران کوچکی هستند که در سایبانهای جنگل آمریکای جنوبی و مرکزی زندگی می کنند. حیوانات می توانند با خوردن برگهای درختی به میزان معادل کالری روزانه یک سیب زمینی کوچک زنده بمانند. با متابولیسم آهسته خود ، sloths روزانه به اندازه 22 ساعت استراحت می کنند و بندرت از درختانی که می توانند کل زندگی خود را سپری کنند فرود می آیند.

جاناتان پائولی ، استادیار گروه زیست شناسی جنگل و حیوانات وحشی در دانشگاه ویسکانسین مادیسون می گوید: ، که با تیم جورجیا تکنیک در مورد این پروژه مشورت کرده است. "نکته جالب در مورد یک زندگی بسیار کند این است که شما به انرژی زیادی نیاز ندارید. شما می توانید مدت طولانی و ماندگاری در یک منطقه محدود با ورودی های انرژی بسیار کمی در یک دوره طولانی داشته باشید."

این دقیقاً همان چیزی است که محققان از SlothBot انتظار دارند ، که توسعه آن توسط دفتر تحقیقات نیروی دریایی ایالات متحده تأمین شده است.

ایجرشتت گفت: "چیزهای زیادی وجود دارد که نمی دانیم در واقع در مناطق متراکم پوشیده از درخت چه اتفاقی می افتد." "بیشتر اوقات SlothBot فقط در آنجا حلق آویز خواهد شد و هر بار دیگر برای شارژ مجدد باتری به یک نقطه آفتابی حرکت می کند."

محققان همچنین امیدوارند که SlothBot را در مزارع کاکائو در کاستاریکا آزمایش کنند که در حال حاضر محل سکونت واقعی است. Egerstedt گفت: "کابلهایی که برای جابجایی کاکائو استفاده می شوند به یک بزرگراه خاکی تبدیل شده اند زیرا حیوانات آنها را برای حرکت در داخل مفید می دانند." "اگر همه چیز خوب پیش برود ، ما SlothBots را در امتداد کابل ها مستقر می کنیم تا بر روی sloths نظارت کنیم."

قدم زدن در پیاده روی یا خیابان سنگفرش با پای مصنوعی یک پیشنهاد خطرناک است - ممکن است ، اما حتی در زمینهای نسبتاً آسان ، افرادی که از پروتز برای پیاده روی استفاده می کنند بیشتر از سایرین سقوط می کنند. اکنون ، مهندسان مکانیک دانشگاه استنفورد یک پایش پروتز پایدارتر و روشی بهتر برای طراحی آنها ایجاد کرده اند که می تواند زمین چالش برانگیز را برای افرادی که پای پایینی خود را از دست داده اند ، قابل مدیریت تر کند.

بیشتر بخوانید: پمپ وکیوم کوچک
سنگ بنای طراحی جدید نوعی پای سه پایه است که با تغییر فعال فشار بین سه نقطه تماس مختلف ، به زمین خشن پاسخ می دهد. به اندازه پا ابزار مهم است ، این تیم برای شبیه سازی سریع و بهبود نمونه های اولیه خود توسعه یافت.

استیون کالینز ، استادیار مهندسی مکانیک و عضو استنفورد بیو ایکس می گوید: "شبیه سازهای پروتزی به ما امکان می دهند بسیاری از طرح های مختلف را بدون استفاده از سخت افزار جدید آزمایش کنیم." وی گفت: "اساساً ، ما می توانیم هر نوع ایده طراحی دیوانه ای را كه ممكن است داشته باشیم امتحان كنیم و ببینیم كه مردم چگونه به آنها پاسخ می دهند ،" بدون اینكه بخواهیم هر ایده را بطور جداگانه بسازیم ، كوششی است كه می تواند ماه ها یا سالها برای هر طراحی متفاوت انجام دهد.

دانشجوی کارشناسی ارشد وینسنت چیو ، محقق بعد از دکترا الکساندرا ولوشینا و کالینز در مقاله ای که در IEEE Transactions of Engineering Biomedical (مهندسی زیست پزشکی) منتشر شده است ، ساخت و اولین آزمایشات شبیه ساز پروتز خود را توصیف می کنند .

تنظیم بر روی زمین

حدود نیمی از میلیون نفر در ایالات متحده اندام پایینی خود را از دست داده اند ، با اثراتی که فراتر از آن فراتر رفته و حرکت آن را سخت تر می کند. افرادی که قطع عضو در پا دارند ، پنج برابر بیشتر از اینها در طول یک سال سقوط می کنند ، که ممکن است به دلیل عدم مشاغل اجتماعی کمتر منجر شود. یک اندام پروتز بهتر می تواند نه تنها تحرک بلکه کیفیت کلی زندگی را نیز بهبود بخشد.

اعتبار: کورت هیکمن
یکی از مناطق مورد علاقه خاص ساختن اندامهای پروتز است که می توانند زمین خشن را بهتر تحمل کنند. فکر می کنم راه حل ، چیو ، ولووشینا و کالینز ، ممکن است یک سه پایه با پاشنه عقب و دو انگشت پا به جلو باشد. مجهز به سنسورها و موتورهای موقعیت ، پا می تواند جهت تنظیم خود را برای پاسخ به زمین های مختلف تنظیم کند ، به همان اندازه که کسی با پا دست نخورده می تواند انگشتان پا را حرکت داده و مچ پا را خم کند تا هنگام حرکت بر روی زمین خشن جبران کند.

اما مهندسین می دانستند كه كامل بودن طراحی دشوار خواهد بود - حتی با طرح های ساده ، رویكرد متعارف می تواند سالها یا بیشتر طول بكشد. چیو گفت: "ابتدا باید ایده خود را مطرح کنید و سپس آن را نمونه سازی کنید و سپس یک نسخه ماشینکاری زیبا تهیه کنید." "این ممکن است چندین سال طول بکشد ، و بیشتر اوقات می فهمید که در واقع کار نمی کند."

طراحی شتاب

چیو و تیمش فکر کردند که می توانند روند کار را با ایجاد یک شبیه ساز سرعت بخشند که روند طراحی را روی سر خود می چرخاند. در عوض ساختن اندام پروتز کسی که می تواند در دنیای واقعی آزمایش کند ، تیم به جای آن یک پایه پایه سه پایه ساخته ، سپس آنرا به موتورهای قدرتمند خارج از سیستم و سیستمهای رایانه ای که کنترل نحوه پاسخگویی پا به عنوان یک کاربر بر روی همه انواع کنترل می کنند ، بستند. زمین

با انجام این کار ، تیم می تواند طراحی خود را معطوف کند که پروتز چگونه باید کار کند - چه حرکتی باید پا را در حین راه رفتن فشار دهد ، چه پاشنه پا بهار باشد و غیره. ارزان در همان زمان.

تاکنون این تیم نتایج حاصل از کار با یک شرکت کننده ، یک مرد 60 ساله را که به دلیل دیابت پایش زیر زانو را از دست داده است ، گزارش کرده است و نتایج اولیه نوید بخش است - باعث می شود تیم امیدوار باشد که بتواند آن نتایج را بگیرد و آنها را برگرداند به پروتزهای تواناتر

کالینز گفت: "یكی از كارهایی كه ما از انجام آن هیجان زده می شویم این است كه آنچه را در آزمایشگاه می یابیم به سبك و كم مصرف و در نتیجه دستگاههای ارزان قیمت كه می توانند در خارج از آزمایشگاه آزمایش كنند ، ترجمه كنیم." "و اگر این مسئله خوب پیش رود ، ما دوست داریم به این محصول محصولی که مردم می توانند در زندگی روزمره از آن استفاده کنند ، کمک کنیم."

یک ربات نرم که توسط محققان دانشکده مهندسی و علوم کاربردی دانشگاه هاروارد جان A. پالسون (SEAS) ساخته شده است می تواند راهی برای روبات های کاملاً دست نخورده برای اکتشافات فضایی ، سیستم های جستجو و نجات ، زیست سنجی ، جراحی پزشکی ، توانبخشی و موارد دیگر باشد.

این ربات نرم ساده و ساده که از هوای تحت فشار استفاده می شود ، چندین سیستم کنترل را با یک ورودی جایگزین می کند ، باعث کاهش تعداد ، وزن و پیچیدگی اجزای مورد نیاز برای تأمین انرژی دستگاه می شود.

نیکولا واسیوس ، دانش آموخته فارغ التحصیل SEAS و اولین نویسنده مقاله می گوید: "قبل از این تحقیق ، ما نمی توانستیم روبات های نرم سیال بسازیم بدون اینکه به طور مستقل کنترل هر محرک را از طریق خطوط ورودی جداگانه و فشار و فرآیند تحریک پیچیده انجام دهیم." "اکنون ، ما می توانیم عملکرد ربات های نرم سیال را در طراحی آنها جاسازی کنیم ، و این امکان را برای ساده سازی قابل توجهی در عملکرد آنها فراهم می کند."

این تحقیق در Soft Robotics منتشر شده است .

محققان برای ساده تر کردن روبات های نرم ، ویسکوزیته سیال را مهار کردند ، این یک اندازه گیری برای مقاومت مایعات در حال حرکت از طریق یک جسم است. تصور کنید که آب از طریق نی حرکت می کند - هر چه نی نازک تر باشد ، عبور آب از آن دشوارتر است. با استفاده از این اصل ، محققان به سرپرستی Katia Bertoldi ، استاد مکانیک کاربردی در SEAS ویلیام و امی کوآن دانوف ، لوله ها را با اندازه های مختلف انتخاب کردند تا بتوانند سرعت هوا را از طریق دستگاه حرکت دهند. یک ورودی واحد به میزان یکسان هوا از طریق یکی از لوله ها پمپ می کند ، اما اندازه لوله ها چگونگی و کجا جریان هوا را تعیین می کند.

اعتبار: دانشگاه هاروارد
این تیم چارچوبی را تدوین کرده است که بطور خودکار چگونگی ساخت یک ربات نرم ، چگونگی انتخاب لوله ها و نحوه عملکرد آن را برای دستیابی به یک عملکرد هدف مانند خزیدن یا راه رفتن با یک خط ورودی واحد تعیین می کند.

آنها رویکرد روی یک ربات چهار پا و نرم را نشان دادند . لوله، جاسازی شده در بالای ربات، به هر پا را به ترتیب به کارگردانی هوا، امکان ربات به خزیدن.

برتولدی ، که همچنین دانشکده دانشیار در انستیتوی ویس در دانشگاه هاروارد است ، گفت: "کار ما برای اولین بار یک استراتژی را ارائه می دهد که می تواند بر اساس این پدیده شناخته شده از جریان چسبناک ساخته شود. . "با استراتژی ارائه شده در کار ما ، فعال سازی روبات های نرم سیال اکنون ساده تر و آسان تر از همیشه خواهد بود ، و یک قدم اساسی در جهت روبات های نرم کاملاً بی پایه و ساده استفاده می کنید."