⚠️ KMI waarschuwing: Onweer in België Laatste update van KMI waarschuwingen voor België. KMI ↗ Kaart ↗ Artikel →
← Terug
Robotica-onderzoek maakt eigenschappen van korrelige materialen kenbaar via schepacties

Robotica-onderzoek maakt eigenschappen van korrelige materialen kenbaar via schepacties

Het accuraat hanteren van korrelige stoffen is een complexe uitdaging in de robotica, omdat de interactiedynamiek van dergelijke materialen sterk varieert. Zonder exacte kennis van de fysieke kenmerken is een betrouwbare manipulatie vaak onmogelijk. Om dit probleem op te lossen, hebben wetenschappers een methode ontwikkeld waarbij een robot de eigenschappen van een materiaal direct afleidt tijdens het fysieke proces van het scheppen.

In een recent onderzoek, gepubliceerd op 11 november 2026, presenteren Samuli Hynninen en zijn team een innovatieve aanpak om parameters zoals bulkdichtheid en korrelgrootte te bepalen. Volgens de publicatie op arxiv.org maakt het systeem gebruik van kracht-koppelsensoren om data te verzamelen tijdens de interactie met het materiaal. De kern van deze technologie is het 'Latent Filter++', een framework dat een bio-geïnspireerde filterbank combineert met een causaal latent dynamisch model. Een essentieel voordeel hiervan is dat de representatie van de data evolueert naarmate er meer interacties plaatsvinden, waardoor handmatige voorbewerking van de signalen niet langer nodig is.

Het systeem is uitvoerig getest met 26 verschillende korrelige materialen. De resultaten tonen aan dat het framework goed generaliseert naar materialen die niet eerder in de trainingsset voorkwamen. Daarnaast ondersteunt de technologie 'few-shot adaptation', wat betekent dat de robot met slechts enkele aanvullende interacties kan worden afgestemd op specifieke materiaaleigenschappen. De praktische waarde van deze methode werd aangetoond door te onderzoeken hoe de afgeleide eigenschappen correleren met de maximale versnelling die een materiaal kan verdragen voordat het uit een lepel glijdt tijdens transport.

Deze ontwikkeling bouwt voort op eerder fundamenteel onderzoek naar materiaalidentificatie. Zo beschrijft een project via de dtu.dk een framework dat in staat is om een breed scala aan korrelige stoffen met een zeer hoge nauwkeurigheid te onderscheiden. In dat eerdere werk lag de nadruk op de combinatie van het frequentiespectrum van krachtsignalen en de dynamiek in het tijdsdomein om materialen te identificeren.

De bredere implicaties van deze technologie zijn aanzienlijk. Volgens informatie van ac.uk kunnen dergelijke systemen worden toegepast in uiteenlopende sectoren, van huishoudelijke robots die automatisch koken tot industriële toepassingen zoals het laden van vrachtwagens in de mijnbouw. De verschuiving naar interactieve waarneming stelt robots in staat om te leren door fysieke ervaring in plaats van enkel te vertrouwen op visuele informatie of statische modellen.

Andere benaderingen in het vakgebied richten zich op complementaire aspecten van korrelige manipulatie. Er is bijvoorbeeld onderzoek gedaan naar het kalibreren van physics-simulatoren met behulp van dieptebeelden, wat vooral relevant is voor de agrarische en farmaceutische industrie. Daarnaast zijn er gespecialiseerde projecten, zoals beschreven door jeonhkang.com, die zich focussen op het scheppen van korrelige materialen met een extreme precisie, waarbij nauwkeurigheden tot onder het milligram-niveau worden nagestreefd.

Waardering
0
Stem mee op dit artikel
Discussie
Nog geen reacties. Wees de eerste!