Bij het horen van de term 'robots', denkt u dan aan mensachtige robots of misschien aan de typische assemblagerobots? De kans is groot dat u minstens denkt aan iets dat bestaat uit stugge delen met daartussen gewrichten met elektromotoren, maar vast niet aan flexibele 'soft robots', ook al vormen deze een onderwerp dat sterk aan interesse wint.
Voor medische toepassingen wordt namelijk veelvuldig gebruik gemaakt van soft robots. Ze hebben nauwelijks harde onderdelen, maar bestaan uit een lichaam van elastische kunststof dat vervormt en bijgevolg beweegt met behulp van actuatoren, in de meeste gevallen aangedreven door luchtdruk. Vaak zijn ze geïnspireerd op (delen van) organismen: rupsen, wormen, slangen, vissen, tentakels of een slurf,... . Soft robots hebben als voordeel dat ze veiliger zijn in de omgang met mensen, beter functioneren in onvoorspelbare en chaotische omgevingen en een zekere graad van faling toelaten. Daardoor neemt de aandacht voor soft robots ook toe omwille van toepassingen in verkenning en reddingswerkzaamheden. Deze scriptie zet een stap naar de eenvoudigere realisatie van gespecialiseerde soft robots door automatisatie te introduceren in het ontwerpproces.
De beweging van een soft robot wordt meestal aangestuurd door perslucht. Het materiaalgedrag speelt een cruciale rol in het functioneren. Het mechanisme is zo gevormd, dat er bij het aanbrengen van luchtdruk op een holte een bepaalde vervorming plaatsvindt en de robot beweegt zoals men dat wil. In deze scriptie werd een programma ontwikkeld om automatisch een geschikte vorm te ontwerpen, beginnende van afmetingen, beperkingen en een gevraagde beweging. Gezien de complexiteit van het probleem, is er voorlopig in twee dimensies gewerkt. Een rooster dat ofwel materiaal (1) of lege ruimte (0) kan bevatten, stelt de doorsnede van een mechanisme voor. Het bevat een gesloten ruimte waar druk op wordt aangebracht, zodat het mechanisme, dat uit elastische kunststof bestaat, vervormt en een hoekpunt naar de gevraagde eindpositie beweegt. Vervormingen worden berekend met eindige elementen simulaties en het proces dat de optimalisatie stuurt, is gebaseerd op een genetisch algoritme (NSGA-II).
Het programma genereert eerst een populatie van voorbeeldontwerpen. Het genetisch algoritme werkt vervolgens zoals evolutie in de natuur plaatsvindt. In opeenvolgende generaties, waar de beste individuen zich voortplanten en door kruising en mutatie nieuwe varianten vormen, worden steeds nieuwe ontwerpen bekomen. Deze moeten nauwkeuriger de gevraagde eindpositie bereiken en minder wegen, anders gaan ze in de prullenbak, net zoals soorten uitsterven. Er wordt dus met twee doelen gewerkt: het verkleinen van de afwijking en van de massa. Zoals een echt organisme, heeft elk ontwerp een soort 'DNA' (zie figuur), dat bestaat uit eentjes en nullen die rij per rij aanduiden of het ontwerp materiaal bevat (1) of lege ruimte (0), het zijn deze DNA's die gekruist en gemuteerd worden in elke generatie, om vervolgens enkel de beste nieuwe ontwerpen te behouden.
Na voldoende generaties kan een ontwerp bekomen worden dat nauwkeurig de gewenste verplaatsing maakt. Door middel van 3D-printen bijvoorbeeld zou een langwerpige robot met de gevonden doorsnede geproduceerd kunnen worden, zodat hij de gevraagde verplaatsing ondergaat. Als dit onderzoek uitgebreid wordt naar 3 dimensies en de ontwerper meer mogelijkheden krijgt, kan het mogelijk worden om automatisch 3D soft robots te ontwerpen waarvan de eindpunten eender welke gewenste beweging volgen, zonder dat daar erg veel probeerwerk en prototypes aan te pas komen. Voor de medische- en zorgsector is dit zeer interessant, gezien de voordelen van soft robots. Denk maar aan veilige operatierobots, robots om ouderen te helpen om uit bed te raken of iets op te rapen, of nog verder in de toekomst soft robots die zoals kleding gedragen kunnen worden en handelingen terug mogelijk maken, waar personen niet meer toe in staat waren op eigen kracht. Of denk aan verkenningsrobots die door goedkope massaproductie in zwermen kunnen opereren en puin doorzoeken. Soft robotics is een onderzoeksveld om in de gaten te houden, want het is erg beloftevol voor het menselijk welzijn.
[1] ABAQUS UNIFIED FEA - complete solutions fot realistic simulation. DassaultSystèmes [Online]. Aug. 2015. URL: http://www.3ds.com/productsservices/simulia/products/abaqus/.[2] Python. Python Software Foundation [Online]. Aug. 2015. URL:https://www.python.org.[3] G. Berselli, R. Vertechy, M. Pellicciari, and G. Vassura. Hyperelastic Modelingof Rubber-Like Photopolymers for Additive Manufacturing Processes. RapidPrototyping Technology - Principles and Functional Requirements, pages 135–153,2011.[4] Chutsu. Antwoord op: How to find the best parameters for a Genetic Algorithm?[Online]. Jul. 2015. URL: https://stackoverflow.com/questions/1075628/how-tofind-the-best-paramet…] D. Corne, N. Jerram, J. Knowles, M. Oates, and J. Martin. PESA-II: RegionbasedSelection in Evolutionary Multiobjective Optimization. Proceedings ofthe Genetic and Evolutionary Computation Conference (GECCO 2001), pages283–290, 2001.[6] K. Deb, A. Pratap, S. Agarwal, and T. Meyarivan. A fast and elitist multiobjectivegenetic algorithm: NSGA-II. IEEE Transactions on EvolutionaryComputation, 6(2):182–197, 2002.[7] Herculesstichting. The KU Leuven/UHasselt cluster(ThinKing and Cerebro). [Online]. Aug. 2015. URL:https://www.vscentrum.be/infrastructure/hardware/hardware-kul.[8] R. C. Huang and L. Anand. Non-linear mechanical behavior of the elastomerpolydimethylsiloxane (PDMS) used in the manufacture of microfluidic devices.Innovation in Manufacturing Systems and Technology, 2005.[9] K. Jordens. Modelleren en karakteriseren van flexibele hydraulische microactuatoren,2011.[10] S. Kim, C. Laschi, and B. Trimmer. Soft robotics: A bioinspired evolution inrobotics. Trends in Biotechnology, 31(5):287–294, 2013.[11] T. K. Kim, J. K. Kim, and O. C. Jeong. Measurement of nonlinear mechanicalproperties of PDMS elastomer. Microelectronic Engineering, 88(8):1982–1985,2011.[12] A. D. Marchese, C. D. Onal, and D. Rus. Autonomous Soft Robotic FishCapable of Escape Maneuvers Using Fluidic Elastomer Actuators. Soft Robotics,1(1):75–87, 2014.[13] O. Maron and A. W. Moore. The Racing Algorithm: Model Selection for LazyLearners. Artificial Intelligence Review, 11(1-5):193–225, 1997.[14] M. Mashayekhi. Element Selection Criteria. [Online]. Aug. 2015. URL:http://mashayekhi.iut.ac.ir/sites/mashayekhi.iut.ac.ir/files/u32/presen…] C. D. Onal and D. Rus. Autonomous undulatory serpentine locomotion utilizingbody dynamics of a fluidic soft robot. Bioinspiration & biomimetics, 8(2):026003,2013.[16] A. Postula. Genetic engineering versus natural evolution Genetic algorithmswith deterministic operators. Journal of Systems Architecture, 48:99–112, 2002.[17] A. K. Rai, A. Saxena, and N. D. Mankame. Synthesis of Path GeneratingCompliant Mechanisms Using Initially Curved Frame Elements. Journal ofMechanical Design, 129(October 2007):1056, 2007.[18] A. Saxena. Synthesis of Compliant Mechanisms for Path Generation usingGenetic Algorithm. Journal of Mechanical Design, 127(May 2010):745, 2005.[19] D. Sharma, K. Deb, and N. Kishore. Developing multiple topologies of pathgenerating compliant mechanism (PGCM) using evolutionary optimization.(2009002), 2009.[20] D. Sharma, K. Deb, and N. N. Kishore. A domain-specific crossover and a helperobjective for generating minimum weight compliant mechanisms. Proceedingsof the 10th annual conference on Genetic and evolutionary computation, page1723, 2008.[21] D. Sharma, K. Deb, and N. N. Kishore. Towards generating diverse topologiesof path tracing compliant mechanisms using a local search based multi-objectivegenetic algorithm procedure. 2008 IEEE Congress on Evolutionary Computation(IEEE World Congress on Computational Intelligence), pages 2004–2011, 2008.[22] D. Sharma, K. Deb, and N. N. Kishore. Advancement of Path GeneratingCompliant Mechanisms (PGCM) Topologies by Initial Population Strategy ofCustomized Evolutionary Algorithm. (2009003):1–14, 2009.[23] A. Shukla, R. Tiwari, and R. Kala. Towards hybrid and adaptive computing.Sci, pages 59–82, 2010.[24] M. Srinivas and L. M. Patnaik. Adaptive probabilities of crossover and mutationin genetic algorithms. IEEE Transactions on Systems, Man and Cybernetics,24(4):656–667, 1994.[25] M. T. Tolley, R. F. Shepherd, B. Mosadegh, K. C. Galloway, M. Wehner,M. Karpelson, R. J. Wood, and G. M. Whitesides. Original article. 1(3):213–223,2014.[26] B. Trimmer. Soft robots. Current Biology, 23(15):R639–R641, 2013.[27] D. Trivedi, C. D. Rahn, W. M. Kier, and I. D. Walker. Soft robotics: Biologicalinspiration, state of the art, and future research. Applied Bionics andBiomechanics, 5(3):99–117, 2008.[28] UFlorida. Plane strain elements, 2010.[29] UMICH BME456. Fitting elastic model constants. [Online]. Dec. 2014. URL:http://www.umich.edu/ bme456/ch6fitelasticmodelconstant/bme456fitmodel.htm.[30] E. Zitzler, M. Laumanns, and L. Thiele. SPEA2: Improving the Strength ParetoEvolutionary Algorithm. Evolutionary Methods for Design Optimization andControl with Applications to Industrial Problems, pages 95–100, 2001.