Een team van studenten engineering heeft de NeuralNexus Arm ontwikkeld, een kostenefficiënte robotarm met zes vrijheidsgraden (6-DOF) die gebruikmaakt van een innovatieve hybride aansturing en browser-gebaseerde controle.
In een recent gepubliceerd wetenschappelijk document op arxiv.org beschrijven Lasan Perera en zijn collega's de technische realisatie van de NeuralNexus Arm. Het project is specifiek ontworpen om reproduceerbaar te zijn, waarbij het team niet alleen het eindproduct presenteert, maar ook de ontwerpbeslissingen en de ervaringen met het oplossen van fouten tijdens de ontwikkeling openbaar maakt.
Hybride architectuur en hardware
De robotarm wordt aangestuurd door een enkele STM32H743-microcontroller die is geplaatst op een op maat gemaakte printplaat (PCB). Een kenmerkend aspect van het ontwerp is de "mixed stepper-driver" architectuur. Hierbij worden twee verschillende strategieën voor motoraansturing gecombineerd op één controller:
- Polsgewrichten: Voor de drie gewrichten in de pols worden TMC2209-drivers gebruikt met push-pull 3,3 V stap/richting-uitgangen.
- Proximale gewrichten: Voor de drie gewrichten dichter bij de basis, waar een hoger koppel vereist is, maakt het systeem gebruik van externe CL57T- en DM542-drivers via open-drain uitgangen.
Volgens de documentatie op kan het platform alle zes assen onder gecoördineerde controle aansturen met een updaterate van 2 kHz.
Software en besturing
De besturing van de NeuralNexus Arm is toegankelijk via een browser-native interface. Dit is mogelijk gemaakt door het gebruik van de Web Serial API, waardoor gebruikers zowel handmatige bewegingen als vooraf opgenomen sequenties direct vanuit een webbrowser kunnen uitvoeren. Voor de berekeningen van de bewegingen is een inverse-kinematics pipeline ontwikkeld op basis van MATLAB en Simscape.
Daarnaast is de robot uitgerust met een lichtgewicht vision-pipeline. Deze visuele sturing stelt de arm in staat om objecten te lokaliseren en autonoom pick-and-place taken uit te voeren.
Context van Computer Vision
De integratie van visuele systemen in robotica, zoals toegepast in de NeuralNexus Arm, past in een bredere trend van toegankelijke AI-tools. Zo beschrijft Roboflow hoe het gebruik van pre-trained modellen en vereenvoudigde workflows het voor studenten en ontwikkelaars mogelijk maakt om snel prototypes te bouwen voor objectdetectie en analyse.
Andere educatieve platforms benadrukken eveneens de groeiende beschikbaarheid van projecten op het gebied van computer vision. analyticsvidhya.com biedt uitgebreide gidsen over Convolutional Neural Networks (CNN) en objectdetectie, wat de theoretische basis vormt voor de visuele lokalisatie die in projecten zoals de NeuralNexus Arm wordt gebruikt. Ook dataquest.io wijst op de evolutie van AI-engineering in 2026, waarbij de drempel voor het implementeren van complexe machine learning-projecten voor verschillende vaardigheidsniveaus steeds lager wordt.
Reproduceerbaarheid en open source
Een centraal doel van het project was het bieden van richtlijnen voor reproduceerbaarheid. Het team heeft daarom specifiek gedocumenteerd welke hardware- en firmware-fouten optraden tijdens de overgang van een standaard development board naar de uiteindelijke custom PCB. Alle ontwerpbestanden en de bijbehorende firmware zijn openbaar vrijgegeven om andere ontwikkelaars en onderzoekers te ondersteunen bij het bouwen van soortgelijke systemen.