pumpvacuum

کوچی کوکو روبات ها برای استفاده های اجتماعی طراحی ها و مهندسی های چشمگیری را انجام داده اند ، که در روبات های توله سگ مانند با چشم های ابراز و چشمک زن ، به ربات های فضایی کمی نشان داده شده است. این دوستان و یاران کوچک از بزرگان و کودکان محصور در خانه تجدید نظر می کنند. این روبات های اجتماعی هستند که برای درک و پاسخ به نشانه ها طراحی شده اند.

بیشتر بخوانید: پمپ وکیوم کوچک

تلنگر آن

در یک مقاله تحقیقاتی آمده است: "تحقیقات زیادی در زمینه طراحی تعامل با فناوری انجام نشده است که چه کاری باعث از بین رفتن رفتارهای تخریب و کاتارز می شود. این پروژه بر روی اشیاء متمرکز شده است که برای حمایت از عبارات منفی احساسات طراحی شده اند."

این پروژه تحقیقاتی برگرفته از کارهای قبلی است که شامل یک بررسی نظری از پیشینه تاریخی و فرهنگی تخریب است و یک ربات تخریب برای ایجاد ، کاتارزیس و رهایی عاطفی ایجاد کرده است ، iNkondi . این عروسک ربات است که با قرار دادن پین در بدن خود در تعامل است.

این تیم به اشیا رباتیک نگاه می کند که برای ضرب و شتم طراحی شده اند ، با سخنان عصبانی باران زده و با ضربات چاقو به زمین زده شده اند. چند بار؟ بدون رحم. خودتان را ببندید یا بهتر بگویید ، تا زمانی که احساس بهتری نکنید ، شی را بهتر ببندید.

مقاله ای در مورد این نوع اشیا رباتیک به موقع برای یک کنفرانس تعامل انسان و کامپیوتر در گلاسکو تهیه شد. محقق دانشگاه کارنگی ملون ، میشال لوریا در مورد مقاله خود با عنوان IEEE Spectrum درباره "چالش های طراحی HCI برای احساسات منفی" صحبت کرد. نویسندگان لوریا ، امیت زوران و جدی فورلیزی هستند. مؤسسات وابسته مطابق این مقاله عبارتند از انستیتوی HCI کارنگی ملوون و آزمایشگاه ترکیبی (زوران) ، دانشگاه عبری.

بله ، این پروژه روی اشیاء تمرکز دارد که دارای تخریب و کاتاریز هستند. خوب ، حداقل روبات های ارائه شده غیر انسانی هستند. نویسندگان معتقدند تحقیقات روانشناسی نشان می دهد که درگیر شدن در احساسات منفی می تواند بهزیستی را بهبود بخشد.

هان؟ یک واکنش خواننده در IEEE Spectrum آنچه بسیاری ممکن است زیر سؤال برآید وجود دارد: چگونه ممکن است آزادی عصبانیت که توسط فناوری پشتیبانی می شود ، در صورت وجود گزینه های چنین مدیریتی و مراقبه عصبانیت به فرد کمک کند ؟

"من از شرکتی که ماشین [sic] ایجاد می کند پشتیبانی نمی کند که به یک انسان ضربه بخورد زیرا این شخص باید تنبلی یا احمق را پیدا کند تا روش دیگری برای شکست خشم پیدا کند. تنها فواید آن فیلم دیدن این است که انسان می تواند بسیار سادیستی باشید. "

روش دیگری پیدا کنید ؟ افکار او نشانگر آگاهی است که ابراز خشم از این طریق را تشویق می کند ممکن است بحث برانگیز باشد.

"من فکر می کنم ما باید راهی برای انجام ایمن این نوع تحقیقات بیابیم تا بتوانیم پیامدهای یا مزایای احتمالی را بهتر بشناسیم. کاتارسیس از همان روزهای ابتدایی بحث برانگیز بوده است ، اما اخیراً محققان دریافته اند که بیان جسمی عصبانیت در زمینه های خاص است. ، یا همراه با بازتاب می تواند مفید باشد . "

این تیم اظهار داشت که ایده کاتاریس در اعتقادات مردم همچنان در بیان تاریخی و مدرن باقی مانده است. "مطالعات اخیر همچنین نشان داده اند که تهویه می تواند درک منصفانه را بهبود بخشد و می تواند به تسکین درد جسمی کمک کند."

طرح هایی که او برای نمونه های اولیه خود انتخاب کرده بود باید بیانگر باشد ، اما "بسیار غیر انسانی". او گفت ، امید او برای موجودی است که شما با آن تعامل دارید ، چیزی شبیه به انسان نیست ، اما "هنوز هم می تواند این حس را به وجود آورد که درد شما را جذب می کند ، ممکن است کار کند."

پزشکانی که تصمیمات مربوط به زندگی و مرگ را در مورد پیوند عضو ، معالجه سرطان یا جراحی قلب انجام می دهند ، معمولاً به این فکر نمی کنند که هوش مصنوعی چگونه به آنها کمک می کند. و اینگونه است که محققان دانشگاه کارنگی ملون می گویند که ابزارهای بالینی هوش مصنوعی باید طراحی شوند ، بنابراین پزشکان نیازی به فکر کردن در مورد آنها ندارند.

جان زیمرمن ، استاد خانواده خانواده تانگ ، هوش مصنوعی و تعامل انسان و رایانه در مؤسسه تعامل انسان و کامپیوتر CMU ، گفت: جراح ممکن است هرگز احساس نیاز به درخواست مشاوره با هوش مصنوعی را نداشته باشد ، و حتی کمتر از آن اجازه می دهد تصمیم بالینی برای آنها بگیرد. HCII). اما هوش مصنوعی ممکن است در صورتی که در برنامه های تصمیم گیری که قبلاً توسط تیم بالینی مورد استفاده قرار گرفته است ، تعمیم دهد ، پیش بینی ها و ارزیابی های ایجاد شده توسط AI را به عنوان بخشی از ترکیب کلی اطلاعات ارائه دهد.

زیمرمن و همکارانش این رویکرد را "هوش مصنوعی غیر قابل توجه" می نامند.

زیمرمن گفت: "ایده این است كه هوش مصنوعی باید غیرقابل توجه باشد به این معنا كه نیازی به فكر كردن در مورد آن نیست و به یكدیگر راه نمی یابد." "برق تا زمانی که آن را نداشته باشید کاملاً قابل توجه نیست."

کیان یانگ ، دکتری دانشجو در HCII ، چگونگی هدایت رویکرد هوش ناشناخته AI طراحی یک ابزار پشتیبانی از تصمیم گیری بالینی (DST) را در CHI 2019 ، انجمن کنفرانس ماشین آلات رایانه در مورد عوامل انسانی در سیستم های محاسباتی ، 4-9 مه در گلاسگوو ، اسکاتلند راهنمایی می کند.

یانگ به همراه زیمرمن و آرون استینفلد ، استاد تحقیقات تحقیقات در HCII و انستیتوی رباتیک ، با محققان زیست پزشکی در دانشگاه کرنل و موسسه فن آوری های زبان CMU در DST همکاری می کنند تا به پزشکان در ارزیابی بیماران قلبی برای معالجه با وسیله کمک بطن کمک کند ( VAD) این پمپ قابل کاشت قلب بیمار را در بیمارانی که قادر به پیوند قلب نیستند ، کمک می کند ، اما بسیاری از گیرنده ها اندکی پس از کاشت می میرند. DST تحت توسعه از روشهای یادگیری ماشینی برای تجزیه و تحلیل هزاران مورد استفاده می کند و احتمال اینکه آیا فرد ممکن است سود داشته باشد را محاسبه می کند.

DST ها برای کمک به تشخیص و یا برنامه ریزی برای درمان تعدادی از شرایط پزشکی و روشهای جراحی ایجاد شده اند ، اما اکثر آنها نتوانسته اند از آزمایشگاه به عمل بالینی انتقال یابند و در معرض استفاده قرار گیرند.

زیمرمن گفت: "همه آنها تصور می کنند شما می دانید که به کمک نیاز دارید." آنها غالباً با مقاومت پزشكان روبرو هستند كه بسياري از آنها تصور نمي كنند كه نياز به كمك دارند يا DST را به عنوان تكنولوژي براي جايگزيني آنها مي بينند.

یانگ از اصول هوش مصنوعی غیرقابل توصیف برای طراحی نحوه تعامل تیم بالینی با DST برای VAD ها استفاده کرد. این تیم ها شامل پزشکان سطح متوسط ، مانند پزشکان پرستار ، مددکاران اجتماعی و هماهنگ کنندگان VAD هستند که بطور معمول از رایانه استفاده می کنند. و جراحان و متخصص قلب و عروق ، که از توصیه های همکارانشان در مورد پشتیبانی محاسباتی قدردانی می کنند.

یانگ گفت ، زمان طبیعی برای درج پیش بینی های DST در جلسات ارزیابی چند رشته ای بیمار است. اگرچه پزشکان تصمیم نهایی را در مورد لزوم کاشت یک VAD یا تصمیم گیری نهایی می گیرند ، اما کل تیم اغلب در این جلسات حضور دارند و از رایانه ها استفاده می شود.

طراحی وی بطور خودکار پیش آگهی های DST را در اسلایدهای تهیه شده برای هر بیمار درج می کند. استینفلد اظهار داشت ، در اکثر موارد ، اطلاعات DST قابل توجه نخواهد بود ، اما برای برخی از بیماران ، یا در نقاط حساس خاص برای هر بیمار ، DST ممکن است اطلاعاتی را که نیاز به توجه دارد ، فراهم کند.

اگرچه خود DST هنوز در مرحله توسعه است ، محققان این طرح تعامل را در سه بیمارستان كه عمل جراحی VAD را انجام می دهند ، آزمایش كردند ، با اسلایدهای تقویت شده DST كه برای بیماران شبیه سازی شده ارائه شده است.

بیشتر بخوانید: پمپ وکیوم کوچک

یانگ گفت: "سطح متوسط - کارمندان پشتیبانی - این را دوست داشتند" ، زیرا این امر باعث افزایش ورودی آنها می شود و به آنها کمک می کند تا در بحث فعال تر باشند. واکنش پزشک کمتر مشتاق بود و نشانگر شک و تردید نسبت به DST ها و اعتقاد به این که ارزیابی کامل تعامل بدون داشتن یک سیستم کاملاً عملکردی و بیماران واقعی غیرممکن بود .

اما یانگ گفت پزشکان همان دفاع و احساسات نسبت به جایگزین شدن با فناوری که معمولاً با DST ها در ارتباط است را نشان نمی دهند. آنها همچنین اذعان كردند كه DST ممكن است تصمیمات خود را اعلام كند.

زیمرمن گفت: "سیستم های قبلی همه چیز به شما می گفتند که چه کار کنید." "ما در حال جایگزین کردن قضاوت انسان نیستیم. ما در تلاش هستیم توانایی های غیر انسانی را به انسان بدهیم."

علیرغم پیشرفت های اساسی در ژنتیک و تصویربرداری مدرن ، این تشخیص اکثر بیماران مبتلا به سرطان سینه را بطور شگفت آور جلب می کند. برای بعضی ها خیلی دیر شده است. تشخیص بعدی به معنای درمانهای پرخاشگرانه ، نتایج نامشخص و هزینه های پزشکی بیشتر است. در نتیجه ، شناسایی بیماران ستون اصلی تحقیقات سرطان پستان و تشخیص زودهنگام موثر بوده است.

با توجه به این نکته ، تیمی از آزمایشگاه علوم کامپیوتر و هوش مصنوعی MIT (CSAIL) و بیمارستان عمومی ماساچوست (MGH) یک مدل یادگیری عمیق جدید ایجاد کرده اند که اگر بیمار احتمال دارد به همان اندازه مبتلا به سرطان پستان شود ، از ماموگرافی پیش بینی می کند. به عنوان پنج سال در آینده. این مدل بر روی ماموگرافی ها و نتایج شناخته شده از بیش از 60،000 بیمار مبتلا به MGH آموزش دیده ، این مدل الگوهای ظریف در بافت پستان را که پیشروان تومورهای بدخیم هستند ، آموخت .

پروفسور MIT ، رجینا بارزیلی ، خود که از مریضان مبتلا به سرطان سینه است ، می گوید: امیدواری برای سیستم هایی از این دست امکان پذیر باشد که پزشکان بتوانند برنامه های غربالگری و پیشگیری را در سطح فردی انجام دهند و تشخیص دیرهنگام را به یادگار می گذارد.

اگرچه نشان داده شده است كه ماموگرافي باعث كاهش مرگ و مير سرطان پستان مي شود ، بحث بر سر اينكه چه زماني غربالگري شود و چه زماني شروع شود. در حالی که انجمن سرطان آمریکا غربالگری سالانه را از 45 سالگی توصیه می کند ، کارگروه پیشگیری ایالات متحده توصیه می کند غربالگری هر دو سال یکبار از 50 سالگی شروع شود.

بارزیلی ، نویسنده ارشد مقاله جدید در مورد پروژه ارائه شده امروز در رادیولوژی می گوید: "به جای اینکه یک رویکرد یک اندازه مناسب داشته باشیم ، می توان غربالگری را در مورد خطر یک زن در ابتلا به سرطان انجام داد." "به عنوان مثال ، یک پزشک ممکن است توصیه کند که یک گروه از زنان هر سال دیگر یک ماموگرافی انجام دهند ، در حالی که یک گروه با خطر بالاتر ممکن است غربالگری MRI اضافی را انجام دهد." برزیل استاد الکترونیک دلتا در CSAIL و گروه مهندسی برق و علوم کامپیوتر در MIT و عضو مؤسسه Koch برای تحقیقات یکپارچه سرطان در MIT است.

الگوی تیم در پیش بینی خطر از روشهای موجود بهتر بود: این دقیقاً 31 درصد از کل بیماران مبتلا به سرطان را در رده بالاترین ریسک خود قرار داد ، در مقایسه با تنها 18 درصد برای مدل های سنتی.

پروفسور هاروارد ، کنستانس لمن می گوید که قبلاً در جامعه پزشکی برای استراتژی های غربالگری که بیشتر مبتنی بر ریسک باشد و نه مبتنی بر سن ، کمترین پشتیبانی در جامعه پزشکی وجود داشته است.

لمن ، استاد رادیولوژی در دانشکده پزشکی هاروارد و رئیس بخش تصویربرداری از پستان در MGH می گوید: "دلیل این امر آن است که پیش از این ما ابزار دقیق ارزیابی ریسک را که برای زنان فردی کار می کرد ، نداشتیم." "کار ما اولین کسی است که نشان می دهد ممکن است."

برزیلی و لمن مقاله را با نویسنده اصلی آدام یلا ، دکترای CSAIL نوشتند. دانشجو. سایر نویسندگان مؤسس MIT عبارتند از Ph.D. دانش آموز Tal Schuster و دانشجوی سابق استاد Tally Portnoi.

چگونه کار می کند

از زمان نخستین مدل خطر سرطان پستان از سال 1989 ، توسعه تا حد زیادی توسط دانش و شهود انسان از عوامل خطر عمده ممکن است ، از جمله سن ، سابقه خانوادگی سرطان پستان و تخمدان ، عوامل هورمونی و تولید مثل و تراکم پستان ناشی شده است.

با این حال ، بسیاری از این نشانگرها فقط با سرطان پستان ارتباط ضعیفی دارند. در نتیجه ، چنین مدل هایی هنوز در سطح فردی دقیق نیستند ، و بسیاری از سازمان ها همچنان با توجه به این محدودیت ها ، احساس می کنند که برنامه های غربالگری مبتنی بر ریسک امکان پذیر نیست.

تیم MIT / MGH به جای شناسایی دستی الگوهای در یک ماموگرافی که منجر به سرطان آینده می شود ، یک مدل یادگیری عمیق را آموزش داد تا الگوهای را مستقیماً از داده ها استنباط کند. با استفاده از اطلاعات بیش از 90،000 ماموگرافی ، این مدل الگوهای بسیار ظریف را برای تشخیص انسان تشخیص داده است.

لمن می گوید: "از دهه 1960 رادیولوژیست ها متوجه شدند كه زنان الگوهای منحصر به فرد و گسترده ای از بافت پستان دارند كه در ماموگرافی قابل مشاهده هستند." "این الگوهای می تواند نشان دهنده تأثیر ژنتیک ، هورمون ها ، بارداری ، شیردهی ، رژیم غذایی ، کاهش وزن و افزایش وزن باشد. اکنون می توانیم از این اطلاعات دقیق بهره ببریم تا در ارزیابی ریسک ما در سطح فردی دقیق تر باشند."

بیشتر بخوانید: پمپ وکیوم کوچک

عادلانه تر شدن تشخیص سرطان

هدف این پروژه نیز ارزیابی دقیق ریسک برای اقلیت های نژادی به ویژه است. بسیاری از مدل های اولیه در مورد جمعیت سفید پوست توسعه داده شد ، و از نظر نژادهای دیگر بسیار کم دقت تر بودند. در ضمن ، مدل MIT / MGH برای زنان سفید پوست و سیاه به همان اندازه دقیق است. این امر به ویژه مهم است با توجه به اینکه زنان سیاه پوست به دلیل طیف وسیعی از عواملی که ممکن است شامل تفاوت در تشخیص و دسترسی به مراقبت های بهداشتی باشد ، 42 درصد بیشتر در معرض سرطان سینه هستند .

آلیسون کوریان ، استادیار پزشکی و تحقیقات / سیاست های بهداشتی در دانشکده پزشکی دانشگاه استنفورد می گوید: "این به خصوص جالب توجه است که این مدل به همان اندازه برای افراد سفید پوست و سیاه عمل می کند ، که این مورد در مورد ابزارهای قبلی نبود." "اگر تأیید شود و برای استفاده گسترده در دسترس قرار گیرد ، این واقعاً می تواند در استراتژی های فعلی ما برای برآورد خطر بهبود یابد."

برزیل می گوید سیستم آنها همچنین ممکن است روزی پزشکان را قادر سازد از ماموگرافی استفاده کنند تا ببینند که آیا بیماران در معرض خطر سایر مشکلات سلامتی مانند بیماری های قلبی عروقی یا سایر سرطان ها قرار دارند. محققان مشتاق هستند که این مدلها را بر روی سایر بیماریها و بیماریها و به ویژه مدلهای دارای ریسک کمتر موثر مانند سرطان لوزالمعده بکار گیرند.

یلا می گوید: "هدف ما این است که این پیشرفت ها را جزئی از استاندارد مراقبت قرار دهیم." "با پیش بینی اینکه چه کسی در آینده به سرطان مبتلا خواهد شد ، ما می توانیم امیدوارم قبل از بروز علائم ، جان ها را نجات دهیم و سرطان را بگیریم."

مخلوط های بصری ، که به شیوه ای غیرمعمول و چشم نواز به دو شیء می پیوندند ، یک تکنیک پیشرفته طراحی گرافیکی است که در تبلیغات ، بازاریابی و رسانه ها برای جلب توجه به یک پیام خاص مورد استفاده قرار می گیرد. این ازدواج های بصری به گونه ای طراحی شده اند که یک "آه" را رسوب می کنند. لحظه ای در بیننده ای که از ایده دو اتحادیه ایده می گیرد. به عنوان مثال ، مخلوط کردن یک تصویر از یک پرتقال با یک تصویر از خورشید می تواند یک نوشیدنی را با ویتامین C منتقل کند.

در حالی که طراحان گرافیک حرفه ای در ساخت ترکیب های تصویری مهارت دارند ، اما اکثر مردم در ساخت این تصاویر تخیلی ماهر نیستند. برای کمک به افراد غیر حرفه ای برای ایجاد مخلوط های بصری برای اخبار و PSA های خود ، دانشمندان کامپیوتر در مهندسی کلمبیا VisiBlends را توسعه داده اند ، یک پلت فرم انعطاف پذیر و کاربر پسند که فعالیت طوفان مغزی خلاق را به یک تابع جستجو تبدیل می کند ، و از نظر آماری بالاتر می تواند از ترکیب بصری استفاده کند. تصاویر. پلت فرم VisiBlends مجموعه ای از مراحل انسانی یا "ریزگردها" را با AI و تکنیک های محاسباتی ترکیب می کند. Crowd-sourcing یک مؤلفه اصلی سیستم است که گروههای از افراد را قادر می سازد به صورت مشترک یا خارج از سایت همکاری کنند.

لیدیا چیلتون ، استادیار علوم رایانه ، که هدایت تیم را بر عهده دارد می گوید: " به نظر می رسد برای یک فرد متوسط ، یک ترکیب بصری نیاز به الهام خلاق دارد - یک لحظه آه! و اینکه فرمول دقیقی برای ساختن آن وجود ندارد." مقاله امروز در گلاسکو ، انگلیس ، در کنفرانس ACM CHI 2019 در مورد عوامل انسانی در سیستم های محاسباتی ، کنفرانس برتر بین المللی تعامل انسان و کامپیوتر است. "ما می خواستیم روند ساخت مخلوط های بصری را از بین ببرد و ببینیم آیا راهی وجود دارد که بتوانیم با اتصال عنصر انسانی با روش های محاسباتی ، دسترسی به آن را برای مردم بیشتر کنیم."

بیشتر بخوانید: پمپ وکیوم کوچک

ترکیب های تصویری مؤثر برای ساختن آنها دشوار است زیرا آنها باید دو هدف متضاد را تحقق بخشند: ترکیب دو شیء در یک در حالی که اطمینان از اینکه هنوز هر دو شیء قابل تشخیص هستند. چیلتون خاطرنشان کرد: در حالی که هیچ ساختار سطح آشکاری در سطح مخلوط های بصری وجود ندارد ، بسیاری از آنها ساختار انتزاعی مشترک دارند ، آنها دو جسم را با شکل مشابه ترکیب می کنند. تیم پس از تجزیه و تحلیل صدها ترکیب ، رویکردی را مبتنی بر اصول شناخت جسم بصری انسان مستقر کردند. افراد در مراحل مختلف برای تشخیص یک شی از ویژگی های مختلف تصویری مختلف استفاده می کنند ، از جمله شکل ساده 3 بعدی D شیء ، شبح ، عمق ، رنگ و جزئیات.

شکل مهمترین ویژگی است که افراد برای تشخیص یک شی از آن استفاده می کنند. ثانیا آنها از رنگ یا جزئیات استفاده می کنند. با ترکیب اشیاء بر اساس شکل مشترک و سپس ترکیب رنگها یا جزئیات آنها ، می توان سیستمهای تصویری افراد را برای پیامهای متضاد در مورد آنچه که شیء ارسال می کند ، ارسال می کند. پیام های متناقض همان چیزی است که بینندگان را به دنبال جسم می دانند تا ببینند که چیست.

این نشان می دهد که دو مفهوم ، مک دونالد و "سالم" جفت شده اند. اعتبار: لیدیا چیلتون / مهندسی کلمبیا
فرآیند VisiBlends با کاربران پیدا می شود که دو مفهوم مهم را از پیامی که می خواهند در این ترکیب بپیوندند ، پیدا کنند. به عنوان مثال ، برای مفهوم تبلیغات جفت مک دونالد و "سالم" ، کاربران می توانند یک سیب و یک همبرگر را به عنوان دو مفهوم انتخاب کنند. برای عناوین "فوتبال خطرناک برای توسعه جوانان" ، کاربران می توانند "فوتبال" و "خطرناک" را به عنوان دو مفهوم انتخاب کنند. مفاهیم باید به اندازه کافی گسترده باشند به گونه ای که در نمادها تنوع کافی برای یافتن مسابقات وجود داشته باشد ، و در غیر این صورت ممکن است کاربران برای گسترش مفاهیم به طوفان مغزی نیاز داشته باشند.

پس از ارتباطات طوفان مغزی با مفهوم ، کاربران باید تصاویر از اشیاء را پیدا كنند كه بصری بیانگر مفهوم به روشهای ساده و نمادین است و سپس باید تصاویر را برای فرم و پوشش خود حاشیه نویسی كنند. هنگامی که کاربران مجموعه ای از تصاویر حاشیه نویسی را برای هر دو مفهوم در اختیار داشته باشید ، از رایانه ها استفاده می شود تا به طور خودکار تصاویر و ترکیب آنها بر اساس الگوی طراحی ، به صورت ترکیب شوند.

پس از ترکیب ترکیبات ، کاربران می توانند نتایج را ارزیابی کنند. اگر هیچ ترکیب موفقی وجود نداشته باشد ، برای یافتن نمادهای بیشتر ، باید این فرایند تکرار شود تا طوفان مغزی را دوباره متمرکز کنید. در حالی که این فرایند طراحی تکراری اغلب محدودیت های جدیدی ایجاد می کند ، انعطاف پذیری گردش کار به کاربران اجازه می دهد تا با حرکت بین وظایف و دیدن کار همکارانشان ، به راحتی سازگار شوند.

چیلتون و تیمش که شامل دکترای وی نیز هست. دانش آموز ساوواس پتریدیس و منیش آگراولا ، استاد جنگل باستر علوم کامپیوتر و مدیر انستیتوی براون برای نوآوری رسانه در دانشگاه استنفورد ، از این سوال که آیا آیا به طراحان تازه کار کمک می کند تا ترکیب های تصویری بهتری داشته باشند یا خیر؟ برای آزمایش این ، آنها یک مطالعه کنترل شده را انجام دادند تا مقایسه کنند که چند ترکیب موفق موفق مبتدی با و بدون VisiBlends می تواند ایجاد کند.

در این مطالعه ، VisiBlends 10 برابر نتایج خلاق نسبت به جلسات طوفان مغزی بدون کنترل انجام داد. کاربران VisiBlends در مقابل نرخ 21٪ بدون استفاده از سیستم ، میزان موفقیت 96٪ را داشتند. محققان همچنین دریافتند که این سیستم برای گروههایی که در مکانهای مختلف واقع شده اند ، تولید مخلوط مشترک در ریزگردهای مستقل و گروههای واقع در یک منطقه را آسان کرده است تا بتوانند روی تصاویر ترکیبی کار کنند.

دوران طغیان رانندگی که توسط Uber و Lyft آغاز شد ، یک بار قول تکمیل ترانزیت عمومی ، کاهش مالکیت خودرو و کاهش احتراق را داد.

اما یک مطالعه جدید در مورد سانفرانسیسکو نشان داد که در حقیقت برعکس است: شرکتها به دور از کاهش ترافیک ، 40 درصد تأخیرها را افزایش می دهند ، زیرا مسافرها اتوبوس ها را ترک می کنند یا برای برنامه های تلفن همراه احضار می شوند.

این مطالعه که در روز چهارشنبه در Science Advances منتشر شد ، به سال 2010 ، قبل از ظهور شرکت های به اصطلاح شبکه حمل و نقل (TNCs) برمی گردد ، و زمان سفر و شرایط جاده را با سال 2016 مقایسه کرده است ، که در این زمان آنها به یک دید مشترک تبدیل شده اند.

سانفرانسیسکو ، که Lyft و Uber در آن مستقر هستند ، از 805،000 نفر در این دوره به 876،000 نفر افزایش یافت ، زیرا 150،000 شغل اضافه شد و شبکه راه به روز شد.

نویسندگان ، از دانشگاه کنتاکی و اداره حمل و نقل کانتی سان فرانسیسکو (SFCTA) ، این تغییرات را از طریق یک مدل رایانه ای پاسخ دادند که می پرسیدند: اگر شرکت های تگرگ سوار به صحنه نمی آمدند ، چه چیزهایی به نظر می رسید؟

گرگ ارهارد ، استادیار مهندسی دانشگاه ، به خبرگزاری فرانسه گفت كه تیم وی "مقداری تعویض" از ماشینهای شخصی گرفته تا TNC و همچنین كاهش ناچیز در كارپولینگ پیدا كرده است.

وی گفت: "اما اثر خالص این است که دو سوم TNC ها اتومبیل های جدیدی هستند که به جاده اضافه می شوند و در غیر این صورت حضور ندارند."

آنها همچنین دریافتند که ساعتهای تأخیر روزانه وسایل نقلیه در هفته - که تفاوت زمان سفر در احتراق در برابر شرایط جریان آزاد را تعریف می کند - بین سال های 2010 تا 2016 62 درصد افزایش یافته است.

در عوض ، در مدل شبیه سازی شده بدون شرکت های تگرگ ، سوار شدن تاخیرها تنها 22 درصد افزایش یافته است - بدین معنی که TNC ها 40 درصد از افزایش را به عهده داشتند.

ترافیک رفت و آمد صبحگاه به سمت غرب به سمت غربی غربی پل خلیج سان فرانسیسکو 8 سپتامبر 2009 در سانفرانسیسکو ، کالیفرنیا حرکت می کند
بن بست و اختلال

این یافته ها توسط Lyft به چالش کشیده شد ، گفت که این تحقیق به دلیل افزایش حمل و نقل کالا و تجارت - منطقه ای که آمازون و دیگران در سالهای اخیر و همچنین رشد توریسم گسترش یافته اند ، ناکام بوده اند.

این شرکت در بیانیه ای با اشاره به سرمایه گذاری های خود در دوچرخه سواری و دوچرخه گفت: "لیفت به طور فعال با شهرها در مورد راه حل های پشتوانه سالها تحقیق اقتصادی و مهندسی مانند قیمت گذاری احتقان جامع و سرمایه گذاری اثبات شده در زیرساخت ها همکاری می کند."

اوبر خواستار شارژ گسترده تر تراکم شد و اظهار داشت که "در حالی که مطالعات بر علل احتقان اختلاف نظر دارند ، تقریباً همه در مورد راه حل موافق هستند."

این مطالعه در حالی صورت گرفت که هزاران راننده متجاوز در شهرهای بزرگ آمریکا اعتصابات سری علیه شرایط حقوق و دستمزد و کار انجام دادند. همچنین پیش از اولین بازی وال استریت پیش بینی شده اوبر پیش آمد. لیفت در مارس عمومی شد.

طرفداران شرارت اغلب از این استدلال استفاده می کنند که اکثر سفرها در اوقات غیر اوج صورت می گیرد ، مانند زمانی که افراد برای یک شب به آنجا رفته اند و از کافه ها به خانه باز می گردند.

اما این مطالعه نشان داد قله هایی در ساعت 7.00 صبح و 8 بعد از ظهر رخ داده و سپس دوباره حوالی ساعت 5.00 و 6.00 بعد از ظهر رخ داده است.

از جمله فعالیتهای مهم در این اتومبیل در جریان ترافیک ، وانت های کنار جاده ای و خروج از مسافر ، به ویژه در جاده های اصلی شریانی بود.

اثر برجسته دیگر به اصطلاح "بن بست" بود که ارهارد آن را به عنوان رانندگی در جستجوی مشتری بعدی توضیح داد. "این از نظر حمل و نقل یک شخص در خدمت یک هدف نیست. بنابراین این صرفاً علاوه بر ترافیک است."

این مطالعه در حالی صورت می گیرد که رانندگان مبتذل در شهرهای بزرگ ایالات متحده قرار بود یک سری اعتصابات را قبل از اولین مورد انتظار وال استریت Uber که آغاز شده بود ، انجام دهند.
خراش داده ها

این مطالعه به سرعت ترافیک پس زمینه از داده های GPS بدست آمده از یک فروشنده تجاری متکی بود ، اما هنگامی که محققان برای اشتراک گذاری داده های سفر خود به شرکت ها نزدیک شدند ، از دسترسی محروم شدند.

آنها سپس مجبور شدند به روشی برای ضبط داده ها که توسط دانشگاه شمال شرقی ساخته شده است و از برنامه های عمومی شرکت برای یادگیری حرکات وسایل نقلیه استفاده می کنند ، اعتماد کنند.

الیوت مارتین ، مهندس تحقیق در مرکز تحقیقات پایداری حمل و نقل دانشگاه کالیفرنیا برکلی ، که به این مطالعه وصل نشده است ، گفت که این روش دقیق است.

وی گفت: "من فکر می کنم که آنها تلاش خوبی کردند تا بتوانند پمپ وکیوم مقایسه کنند ، تا ببینند چه اتفاقی می افتد در جهانی که TNC ها در مقابل جایی که وجود دارد وجود ندارد." با توجه به مقدار اطلاعات

جو کاستیگلیون ، از مؤسسF SFCTA ، گفت: با وجود این یافته ها ، تگرگ کوهنوردی بد نیست.

وی به AFP گفت: "آنها خدمات ارائه می دهند مانند کمک به مردم برای حرکت در شب هنگام که حمل و نقل زیاد نیست و یا به افراد کم بینا کمک می کنند."

به گفته وی ، این ترفند برای تعیین چگونگی (چگونه) مدیریت منافع مثبت بدون منافع خارجی "از طریق سیاست های جدید مانند قیمت گذاری احتقان یا تنظیم مقررات بود. استفان گلدسمیت ، مدیر راه حل های شهر Data-Smart در هاروارد و شهردار سابق ایندیاناپولیس ، موافقت کردند.

"هیچ عشقی از بین رفته امروز بین اکثر شهرها و Uber وجود ندارد ، اما وفاداری مشتری زیادی وجود دارد ، که این امر باعث می شود خیلی زیاد شهرها را کاهش ندهند."

ما در دنیایی از سیگنالهای بی سیم زندگی می کنیم که به دور ما جریان می یابد و بدن های خود را تند می اندازیم. محققان MIT اکنون در حال اعمال فشار برای بازتاب سیگنالها هستند تا دانشمندان و مراقبان مراقبت های ارزشمندی از رفتار و سلامت افراد ارائه دهند.

این سیستم با نام مارکو سیگنال فرکانس رادیویی کم مصرف (RF) را به یک محیط منتقل می کند. اگر انسان در حال حرکت باشد ، سیگنال با تغییرات خاصی به سیستم باز خواهد گشت. سپس الگوریتم های رمان آنالیزهای تغییر یافته را تجزیه و تحلیل کرده و آنها را با افراد خاص مرتبط می کند.

سیستم سپس حرکت هر یک از افراد را در اطراف یک طرح طبقه دیجیتال ردیابی می کند. تطبیق این الگوهای حرکت با داده های دیگر می تواند بینشی در مورد نحوه تعامل افراد با یکدیگر و محیط ارائه دهد.

محققان در مقاله ای که این هفته در کنفرانس عوامل انسانی در سیستم های محاسباتی ارائه شده است ، این سیستم و کاربرد دنیای واقعی آن را در شش مکان توصیف می کنند: دو تسهیلات مسکونی مساعد ، سه آپارتمان ساکن زوج ها و یک خانه شهری با چهار ساکن. مطالعات موردی نشان داده توانایی سیستم برای تشخیص افراد صرفا بر اساس بی سیم سیگنال و برخی از الگوهای رفتاری مفید نشان داد.

در یکی از تأسیسات زندگی مساعدت ، با اجازه خانواده و مراقبان بیمار ، محققان بیمار مبتلا به زوال عقل را که اغلب به دلایل نامعلوم دچار اضطراب می شوند ، تحت نظر داشتند. بیش از یک ماه ، آنها میزان قدم زدن بیمار را بین مناطقی از واحد خود اندازه گیری کردند - این یک علامت شناخته شده از آشفتگی بود. با تطبیق افزایش قدم زدن با ورود بازدید کنندگان ، آنها تعیین كردند كه بیمار در روزهای بعد از مراجعه به خانواده بیشتر دچار اضطراب می شود. محققان می گویند این نشان می دهد كه ماركو می تواند روشی تازه و غیرفعال برای ردیابی پروفایل های سلامت كاركرد بیماران در خانه فراهم كند.

چن-یو هسو ، دکترای اول ، می گوید: "اینها بخشهای جالبی هستند که از طریق داده ها کشف کردیم." دانشجوی آزمایشگاه علوم کامپیوتر و هوش مصنوعی (CSAIL). "ما در دریایی از سیگنالهای بی سیم زندگی می کنیم ، و شیوه حرکت و حرکت در اطراف ما ، این بازتاب ها را تغییر می دهد. ما سیستمی را ساختیم که به آن بازتاب ها گوش کند ... برای درک بهتر رفتار و سلامتی مردم."

این تحقیق توسط دینا کاتابی ، استاد اندرو و ارنا ویتربی استاد مهندسی برق و علوم کامپیوتر و مدیر مرکز MIT برای شبکه های بی سیم و رایانه های موبایل (Wireless @ MIT) انجام می شود. دانشجویان عضو فارغ التحصیل CSAIL ، مینگمین ژائو و گوانگ هی لی و فارغ التحصیلان رومن Hristov SM '16 ، به عضویت Katabi و Hsu روی کاغذ می آیند.

پیش بینی "ردیابی" و هویت

هنگام استقرار در یک خانه ، مارکو سیگنال RF را شلیک می کند. هنگامی که سیگنال دوباره برگردد ، نوعی نقشه گرما برش داده شده به "قابهای عمودی و افقی" ایجاد می کند ، که نشان می دهد افراد در فضای سه بعدی قرار دارند. افراد به عنوان حباب های روشن روی نقشه ظاهر می شوند. فریم های عمودی قد فرد را می گیرند و می سازند ، در حالی که فریم های افقی موقعیت کلی آنها را تعیین می کنند. در حالی که افراد قدم می زنند ، سیستم فریم های RF - حدود 30 در ثانیه - را برای تولید مسیرهای کوتاه ، به نام tracklets ، تجزیه و تحلیل می کند.

یک شبکه عصبی حلقوی - یک مدل یادگیری ماشین که معمولاً برای پردازش تصویر استفاده می شود - از این تابلوها برای جدا کردن بازتاب توسط افراد خاص استفاده می کند. برای هر فردی که حس کند ، سیستم دو "ماسک فیلتر" ایجاد می کند ، که حلقه های کوچکی در اطراف فرد هستند. این ماسک ها اساساً تمام سیگنال های خارج از دایره را فیلتر می کنند ، که در مسیر و ارتفاع فرد قفل می شوند. شبکه با ترکیب تمام این اطلاعات — ارتفاع ، ساخت و حرکت movement بازتاب های خاص RF را با افراد خاص مرتبط می کند.

اما برای مشخص کردن هویت به آن حباب های ناشناس ، ابتدا باید سیستم آموزش داده شود. برای چند روز ، افراد از سنسورهای شتاب سنج کم مصرف استفاده می کنند که می توان از آنها برای برچسب زدن سیگنال های رادیویی منعکس شده با هویت مربوطه استفاده کرد. هنگامی که در آموزش مستقر می شوید ، مارکو ابتدا همانطور که در عمل انجام می شود ، دنباله های کاربران را تولید می کند. سپس ، یک الگوریتم ویژگی های شتاب خاص را با ویژگی های حرکتی مرتبط می کند. به عنوان مثال ، وقتی کاربران قدم می زنند ، شتاب با پله ها نوسان می کند ، اما هنگام متوقف شدن آنها به یک خط مسطح تبدیل می شوند. این الگوریتم بهترین تطابق بین داده های شتاب و پیگیری را پیدا می کند ، و برچسب های آن را با هویت کاربر مشخص می کند. با انجام این کار ، مارکو می آموزد که سیگنال های منعکس شده با هویت های خاص ارتباط دارند.

سنسورها هرگز شارژ نمی شوند و پس از آموزش افراد دیگر نیازی به پوشیدن مجدد آنها ندارند. در اعزام خانه ، مارکو توانست هویت افراد در خانه های جدید را با دقت بین 85 تا 95 درصد نشان دهد.

تعادل خوب (جمع آوری داده)

محققان امیدوارند كه مراكز بهداشتی درمانی از ماركو برای نظارت منفعلانه استفاده كنند ، مثلاً نحوه تعامل بیماران با خانواده و مراقبان و اینكه آیا بیماران به موقع داروها را دریافت می كنند. به عنوان مثال ، محققان در یكی از تأسیسات زندگی مسكونی ، مكان های خاصی را ذکر می كنند كه پرستار در یك كابینت دارو در اتاق بیمار و سپس به تخت بیمار راه می رود. این نشان می دهد که پرستار در آن زمان های خاص داروهای بیمار را تجویز کرده بود.

این سیستم پمپ برای وکیوم همچنین ممکن است جایگزین پرسشنامه ها و خاطرات روزمره روانشناسان یا دانشمندان رفتار باشد تا بتواند داده های مربوط به پویایی خانواده افراد ، برنامه های روزانه یا الگوهای خواب افراد را از بین ببرد. این روشهای ضبط سنتی می توانند نادرست باشند ، دارای تعصب باشند و برای مطالعات طولانی مدت مناسب نیستند ، جایی که ممکن است افراد مجبور شوند آنچه را که روزها یا هفته ها قبل انجام داده اند به خاطر بیاورند. برخی از محققان تجهیز افراد به سنسورهای پوشیدنی برای نظارت بر حرکت و بیومتریک را آغاز کرده اند. اما بیماران مسن ، به ویژه ، اغلب پوشیدن یا اتهام آنها را فراموش می کنند. هسو می گوید: "انگیزه در اینجا طراحی ابزارهای بهتری برای محققان است."

چرا فقط دوربین نصب نمی شود؟ برای مبتدیان ، این امر به کسی نیاز دارد که تمام اطلاعات لازم را تماشا و ضبط کند. از طرف دیگر ، مارکو به طور خودکار الگوهای رفتاری - مانند حرکت ، خواب و تعامل - را به مناطق خاص ، روزها و زمان ها نشان می دهد.

همچنین ، فیلم فقط تهاجمی تر است ، هسو می افزاید: "اکثر مردم از فیلمبرداری راحت نیستند ، بخصوص در خانه خود. استفاده از سیگنال های رادیویی برای انجام همه این کارها تعادل خوبی بین دریافت برخی از موارد مفید دارد. اطلاعات ، اما باعث نمی شود مردم احساس ناراحتی کنند. "

کاتابی و دانش آموزانش همچنین قصد دارند مارکو را با کارهای قبلی خود در مورد تنفس و ضربان قلب از سیگنال های رادیویی اطراف ترکیب کنند. سپس از ماركو برای ارتباط آن بیومتریک با افراد مربوطه استفاده می شود. همچنین می تواند سرعت پیاده روی افراد را ردیابی کند ، که این یک شاخص خوب از سلامت عملکردی در بیماران سالخورده است.

سیسیلیا ماسولو ، استاد سیستم های موبایل در گروه علوم و فناوری رایانه در دانشگاه کمبریج می گوید: "پتانسیل در اینجا بسیار زیاد است." وی گفت: "با توجه به تصویربرداری از طریق دوربین ها ، الگوی جمع آوری اطلاعات از داده های کمتر و هدفمند تری را ارائه می دهد ، که از دیدگاه حریم شخصی کاربر بسیار استقبال می شود. با این وجود داده های جمع آوری شده هنوز هم بسیار غنی هستند و ارزیابی مقاله دقت را نشان می دهد. که می تواند تعدادی از برنامه های کاربردی بسیار مفید را به عنوان مثال در مراقبت از سالمندان ، نظارت پزشکی یا حتی مراقبت های بیمارستانی فعال کند. "

یک تست جدید و باز از جاده تردد با کنترل تردد نشان داد که این ویژگی که با تنظیم منظم سرعت یک وسیله نقلیه در پاسخ به اتومبیل پیش رو ، رانندگی را آسانتر می کند ، هنوز مشکل ترافیک فانتوم را حل نمی کند.

از آنجا که درایورهای انسانی وظیفه ایجاد این نوع مربا را دارند - که بدون دلیل آشکار اتفاق می افتد - استفاده گسترده از این نوع فناوری های کمک به راننده نوید خود را برای از بین بردن این مرباها در صورت طراحی مناسب می داند.

دن کار ، دانشیار مهندسی عمران و محیط زیست در دانشگاه وندربیلت ، گفت: آزمایشات ما نشان می دهد که سیستم های امدادرسانی امروزی هنوز قادر به غلبه بر بدترین رفتارهای رانندگی انسان که منجر به گرفتاری ترافیکی بسیار ناامیدکننده می شود نیست. پژوهش.

جزئیات آخرین آزمایشات تیم چند دانشگاهی روی وسایل نقلیه ACC در مقاله ای با عنوان "آیا سیستم های کنترل کروز ترافیکی تطبیقی رشته ای پایدار هستند؟"

کار آنها بر اساس تحقیقات قبلی انجام شده است که نشان می دهد حتی اضافه کردن بخش کوچکی از وسایل نقلیه خودمختار ویژه می تواند با نگه داشتن جدایی بهینه بین اتومبیل و جلوگیری از توقف ناگهانی ، مانع های فانتوم شود.

کار گفت: از آنجا که وسایل نقلیه با سیستم های کمکی راننده مانند کنترل ترافیکی ترافیکی شایع تر می شوند ، درک این نکته که چطور آنها در ترافیک انواع پمپ وکیوم تأثیر می گذارند بسیار مهم است. در حالی که آنها به طور بالقوه سریعتر و با ظرافت بیشتری نسبت به وسایل نقلیه جلوتر از انسان واکنش نشان می دهند ، سنسورهای آنها قادر نیستند بلافاصله جلوی خودرو را ببینند. این توانایی آنها در بهتر از رانندگان انسانی که پیش بینی تغییرات با نگاه چند وسیله نقلیه به جلو هستند ، محدود می شود.

کار و همکارانش هفت دستگاه خودروی مختلف را از دو تولیدکننده در یک جاده راه آهن روستایی در آریزونا آزمایش کردند. آنها شرایط مختلف رانندگی را با یک اتومبیل پر سرعت تغییر می دهند و پس از آن وسیله نقلیه ای با استفاده از کروز کنترل تطبیقی ، شرایط مختلفی شبیه سازی می شوند. این تیم چگونگی واکنش سریع و پرخاشگرانه سیستم ACC به تغییرات سرعت خودرو را اندازه گیری کردند.

آنها اتومبیل ها را با سرعت های مختلف بیش از بیش از هزار مایل تست سوار کردند ، که نتایج همیشه یکسان است.

بنیامین سیبولد ، استادیار ریاضیات در دانشگاه معبد و دیگر محققان برجسته گفت: "در هر تست ، وسیله نقلیه زیر بیشتر از لیدر کند شد ، که این نشان از ایجاد ترافیک فانتوم است ."

در یک آزمایش ، تیم یک خط ترافیک را با هفت وسیله نقلیه یکسان - که همه سیستم ACC را اجرا می کنند - با یک وسیله نقلیه با سرعت جلو پر کردند. هنگامی که همه وسایل نقلیه به سرعت 50 مایل در ساعت حرکت می کردند ، سرعت خودرو سرعت خود را با سرعت 6 مایل در ساعت کاهش داد. در یک اثر دومینو ، هر یک از وسایل نقلیه زیر سرعت بیشتری را به طور چشمگیری کاهش می داد به طوری که با ماشین هفتم سرعت آن پایین تر از حداقل مورد نیاز سیستم ACC قرار گرفت.

اعضای تیم گفتند که آنها امیدوارند که در نهایت تولید کنندگان سیستم های اتوماسیون خودرو را طراحی کنند که علاوه بر ایمنی ، راحتی و راندمان سوخت ، ترافیک را به نگرانی تبدیل کند. شانزده مورد از 20 خودروی پرفروش در آمریكا ACC را ارائه می دهند كه نشان دهنده پتانسیل آنها برای تأثیر گذر از ترافیك در دهه های قبل از كاملاً خودمختاری وسایل نقلیه است.

آنها گفتند: قدم بعدی طراحی و نشان دادن ویژگی های مؤثر کمک به راننده در ترافیک آزادراه های واقعی است و راه را برای نسل بعدی فناوری های اتوماسیون وسایل نقلیه هموار می کند .

به گفته محققان دانشگاه واترلو ، پیشرفت در سلولهای سوختی با انتشار صفر می تواند باعث شود این فناوری به اندازه کافی ارزان باشد تا موتورهای بنزینی سنتی در خودروها جایگزین شود.

محققان سلول سوختی جدیدی تولید کرده اند که حداقل 10 برابر بیشتر از فناوری فعلی باشد ، پیشرفتی که باعث می شود آنها در صورت تولید انبوه از نظر اقتصادی عملی به وسایل نقلیه با برق شوند.

Xianguo Li ، مدیر آزمایشگاه سوخت سوخت و آزمایشگاه انرژی سبز در واترلو گفت: "با رویکرد طراحی ما ، این هزینه می تواند قابل مقایسه یا حتی ارزانتر از موتورهای بنزینی باشد." "آینده بسیار روشن است. این انرژی پاک است که می تواند رونق یابد."

محققان در ابتدا روی وسایل نقلیه هیبریدی متمرکز شده اند که هم اکنون موتورهای گازی و همچنین باتری هایی به دلیل مشکلاتی در مورد محدوده رانندگی محدود و مدت زمان شارژ طولانی دارند.

سلولهای سوخت موجود موجود از نظر تئوری می توانند جایگزین آن موتورهای بنزینی شوند ، که ژنراتورها برای شارژ باتری در حالی که خودروهای هیبریدی در حال کار هستند ، اما عملی نیستند زیرا آنها بسیار گران هستند.

محققان این مشکل پمپ های وکیوم را با طرحی حل کردند که باعث می شود سلولهای سوخت با تحویل یک مقدار ثابت و نه نوسان برق ، دوام بیشتری داشته باشند.

Xianguo Li با یک سلول سوخت در آزمایشگاه خود. اعتبار: UWaterloo
این بدان معناست که سلولها ، هنگامی که هیدروژن و اکسیژن برای تهیه آب ترکیب می شوند ، از واکنش شیمیایی الکتریسیته تولید می کنند ، می توانند به مراتب ساده تر و در نتیجه ارزان تر باشند.

لی ، استاد مهندسی مکانیک و مکاترونیک گفت: "ما راهی برای کاهش هزینه ها پیدا کرده ایم و هنوز هم دوام و انتظارات عملکرد را برآورده می کنیم." "ما ضمن ارائه صفر تولید گازهای گلخانه ای برای برنامه حمل و نقل ، اهداف اقتصادی را محقق می کنیم."

محققان امیدوارند که معرفی سلول های سوختی در خودروهای هیبریدی منجر به تولید انبوه و کاهش هزینه واحد شود. این امر می تواند راه را برای جایگزینی هر دو باتری و موتورهای گازی به طور کامل با فراهم کردن منبع ارزان قیمت ، بی خطر ، قابل اعتماد ، قابل اطمینان فراهم کند.

لی گفت: "این اولین قدم خوب است ، انتقال به آنچه می تواند پاسخی به موتور احتراق داخلی و آسیب های زیست محیطی عظیم آن باشد."

لی با محقق اصلی Hongtao Zhang ، عضو سابق دکترا ، استاد ریاضیات واترلو ، شینجی لیو و جینیو یان ، یک کارشناس انرژی و استاد در سوئد همکاری کرد.

مقاله ای در مورد کار آنها ، افزایش دوام سلول های سوخت برای وسایل نقلیه الکتریکی هیبریدی پلاگین در سلول سوخت از طریق مدیریت انرژی استراتژیک ، در مجله Applied Energy به نظر می رسد .

شناسایی مجدد شخص مستلزم شناسایی خودکار یک شخص در چندین تصویر از دوربین های مختلف و با پیش زمینه ، زاویه یا موقعیت های مختلف است. علی رغم پیشرفت های اخیر در زمینه هوش مصنوعی (AI) ، شناسایی مجدد شخص به ویژه به دلیل تغییرات زیاد در وضعیت فرد و همچنین سایر تفاوت های مرتبط با نورپردازی ، انسداد ، سوء استفاده و بی نظمی زمینه یک کار بسیار چالش برانگیز است.

محققان مرکز تحقیق و توسعه Suning در ایالات متحده به تازگی تکنیک جدیدی را برای شناسایی مجدد افراد مبتنی بر یک شبکه توجه چند منظوره ماسک-بخش بدن (MMGA) تهیه کرده اند. مقاله آنها ، که از قبل در arXiv منتشر شده است ، در زمان ارائه کانون توجه کارگاه CVPR 2019 در ماه ژوئن ارائه خواهد شد.

Honglong Cai ، یکی از محققانی که این تحقیق را انجام داده است ، گفت: شناسایی مجدد افراد به دلیل طیف گسترده ای از کاربردهای بالقوه ، مانند تحقیقات جنایی ، امنیت عمومی و بازیابی تصویر ، به یک کار مهم و مهم تبدیل می شود . "با این حال ، به دلیل انسداد ، غلط نادرست ، تغییر پوزها و درهم و برهمی زمینه ، همچنان یک کار چالش برانگیز است. در مطالعه اخیر ، تیم ما سعی در ساختن روشی برای غلبه بر این چالش ها دارد."

به جای تمرکز بر روی کل تصاویر ، کای و همکارانش مدلی را برای شناسایی مجدد شخص ایجاد کردند که فقط به شخص مورد علاقه توجه می کند ، بی توجه به پیش زمینه. با استفاده از این ایده یک قدم جلوتر ، مدل آنها قسمت های مختلف بدن فرد را در یک تصویر مشخص تجزیه و تحلیل می کند.

کای گفت: "برای پیاده سازی ایده خود ، ما به طرز خلاقانه یک شبکه توجه چند منظوره از بدن را مورد توجه قرار دادیم." "ما برای هدایت آموزش مدل خود از ماسک های بدن استفاده می کنیم تا بتواند توجه بیشتری به بدن انسان داشته باشد . مدل ما شامل دو قسمت است: یک استخراج کننده ویژگی و یک ماژول توجه."

نتایج بازیابی 5 مورد برتر برای تصاویر پرس و جو ، همه صحیح است. اعتبار: کای ، وانگ و چنگ.
مؤلفه استخراج کننده ویژگی مدل که توسط Cai و همکارانش ابداع شده است می تواند ویژگیهای تبعیض آمیز بدن افراد را از تصاویر استخراج کند. از طرف دیگر ، ماژول توجه مدل ، شبکه MMGA را راهنمایی می کند و مناطقی از تصویر (iepixels) را برجسته می کند که باید به آن توجه بیشتری نشان دهد.

محققان از ماسک های بدن برای راهنمایی آموزش ماژول توجه مدل خود استفاده کردند ، زیرا این امر به شما امکان می دهد بدن انسان را از اطلاعات پیش زمینه تشخیص دهد. علاوه بر این ، آنها ماسک های بدن را به ماسک های بالای بدن و پایین بدن تقسیم می کنند ، به طوری که ماژول توجه می تواند تمایز بین قسمت های فوقانی و تحتانی بدن یک فرد را یاد بگیرد.

بیشتر بخوانید: پمپ وکیوم چگونه کار میکند


کای توضیح داد: "متفاوت از اکثر روشهای شناسایی مجدد شخص ، که تصاویر را به اسلایدهای ثابت تقسیم می کند ، مدل ما می تواند دقیقاً مشخص کند که قسمت بالای بدن و پایین بدن در کجا قرار دارد." "علاوه بر این ، از ماسک های بدن فقط در مرحله تمرین استفاده می شود و ما در مرحله استنتاج به ماسک بدن احتیاج نداریم که این امر باعث می شود مدل ما در کاربردهای عملی بسیار کارآمد باشد."

برای ارزیابی مدل خود ، کای و همکارانش مجموعه ای از آزمایشات را انجام دادند که عملکرد آن را در دو مجموعه داده یعنی بازار-1501 و داده های DukeMTMC-reID آزمایش کردند. آنها دریافتند که مدل آنها می تواند اثرات منفی تغییرات را در وضعیت فرد ، نادرست ترسیم و درهم ریختگی فرد کاهش دهد ، و از روشهای شناسایی مجدد از بهترین حالتها بهتر است.

یافته های جمع آوری شده توسط محققان نشان می دهد که سازوکارهای توجه می توانند دقت شبکه های شناسایی مجدد شخص را به میزان قابل توجهی بهبود بخشند. علاوه بر این ، مطالعه آنها یک روش آموزش توجه راهنمای ماسک را ارائه داده است که می تواند این دقت را بیشتر بهبود بخشد.

کای گفت: "در کار اخیر ما ، از ماسک های بالای بدن و ماسک های تحتانی بدن برای هدایت آموزش ماژول توجه استفاده می شود." "در آینده ، ما می خواهیم ماسک های بدن را به جزئیات ظریف مانند سر ، دست ، بازو ، پا و غیره تقسیم کنیم ، زیرا این می تواند باعث بهبود بیشتر در شناسایی دوباره شخص شود."

امی لاوایر ، محقق دانشگاه ایلینویز ، دیدگاه جدیدی را برای مشاهده قابلیت های روباتیک در مقاله خود با عنوان "شمارش پیکربندی های مکانیکی ، خارجی در مقایسه با محاسبات ، پیکربندی های داخلی در سیستم های طبیعی و مصنوعی" ارائه کرده است که امروز در PLOS ONE منتشر شد . مجله تحقیق بین رشته ای پیشرو.

LaViers آزمایشگاه Robotics ، Automation and Dance (RAD) را هدایت می کند ، که در زمینه توسعه سیستم های روباتیک بیانی تخصص دارد. به طور معمول ، روبات ها با هدف تکرار نوعی حرکت طبیعی یا عملی حرکت می کنند. در تنظیمات صنعت مانند تولید و انبار انبار ، روبات ها به طور معمول با دقت ، دقت و هزینه کمتری در طول زمان عملکرد بهتری دارند. با این حال ، در موقعیت های پویاتر ، سیستم های طبیعی بیشتر از یک ربات بهتر عمل می کنند. به عنوان مثال ، انجام وظایف کنترل شده ، به عنوان مثال ، بسیاری از آنچه در یک انبار مشاهده می شود ، می توان به راحتی اندازه گیری کرد ، اما وقتی صحبت از شرایط پیچیده تر می شود ، روش خوبی برای انجام این کار وجود نداشته است. مقاله LaViers یک مدل شمارش ساده را ارائه می دهد که چشم انداز عددی را برای مقایسه قابلیت های بیانی روبات ها و موجودات طبیعی ارائه می دهد.

در محاسبه متغیرهای زیادی وجود دارد که به توان یک دستگاه می رود ، اما یک روش معمول برای مدل سازی آن از تعداد ترانزیستورهای دستگاه استفاده می کند. با گذشت زمان ، تعداد ترانزیستورها افزایش یافته و به همین ترتیب قدرت محاسبات نیز افزایش یافته است ، روندی که اغلب به عنوان قانون مور از آن یاد می شود. موازی را می توان با سیستمهای طبیعی بین ترانزیستورهای "روشن" و "خاموش" و یک مدل ساده شده از نورونها ترسیم کرد: "شلیک" و "شلیک نکردن". چنین تعداد ترانزیستور برای ظرفیت محاسباتی رایانه ها تنگنای ایستایی را ایجاد می کند ، به عنوان مثال نکات پویا سرعت پردازنده را نادیده می گیرد. لاوایرز متوجه شد که تعداد مشابهی از تنظیمات خارجی استاتیک روبات ها می تواند روند ظرفیت روباتیک را آشکار کند. علاوه بر این ، او محاسبه و مکانیزاسیون را در یک ربات مرتبط کردبه ترتیب در یک ارگانیسم طبیعی به تغییرات داخلی و خارجی تغییر می کند. پس از انجام این مقایسه ها ، LaViers می تواند به طور مستقیم مقایسه کند که روبات های بیانگر با ارگانیسم های طبیعی مطابق شکل زیر نشان داده شده است.

طرح از کار پمپ وکیوم و کارکرد آن تازه منتشر شده LaViers: مقایسه تغییر در پیچیدگی داخلی و خارجی رباتها در طی 15 سال گذشته. اعتبار: آزمایشگاه روباتیک ، اتوماسیون و رقص دانشگاه ایلینویز
مقاله او بر روی دو مدل کرم میکروسکوپی (C. Elegans) و چندین ارگانیسم جزئی و همچنین تجزیه و تحلیل انواع روبات های مدرن شناخته شده متمرکز است. نمودارهایی از یافته های LaViers نشان می دهد که روباتها با استفاده از روش وی اکثراً بین دو مدل کرم از نظر میزان بیان آنها عملکرد بیشتری دارند. یعنی ، یک همبستگی طبیعی و مناسب برای بیان سیستمهای روباتیک موجود ممکن است این کرم ریز باشد. مقایسه ها کاملاً مناسب نیستند ، اما برای درک تصویر بزرگتر ، پیشرفت ساده ای را برای یک مسئله پیچیده ارائه می دهند - پیشرفت در حوزه رباتیک در شرایط پویا چقدر می تواند پیشرفت کند.

مقایسه همان گروه روبات ها با سیستم های طبیعی. برای جزئیات بیشتر به انتشار مراجعه کنید. اعتبار: آزمایشگاه روباتیک ، اتوماسیون و رقص دانشگاه ایلینویز
در زمینه رباتیک ، از مزایای طبیعت نیز غافل می شویم. کارهای LaViers پیشرفتی را که روباتیک ها طی این سالها انجام داده اند ، متناسب می کند. روبات ها به مراتب پیشرفته تر شده اند ، اما هنگامی که صحبت از تقلید واقعی از طبیعت می شود ، کارهای زیادی هنوز باید انجام شود. وجه اصلی کار فعلی وی این است که این مدل شمارش خاص قبلاً در رباتیک مورد استفاده قرار نگرفته است.

لاوایرز گفت: "آنچه من با این مقاله به آن افتخار می کنم این است که روندهای آشکار شده برای مردم کمی تکان دهنده است. و انتشار آن به مدت طولانی طول کشید." "این نظر در این محل در ساخت کاغذ قوی تر بسیار مفید بود. در پایان، کار امیدوارم به راه و روش تفکر در مورد مصنوعی در مقابل اشاره سیستم های طبیعی که می تواند کمک به ما در بهبود نارسایی و استحکام ماشین آلات در محیط های پویا که از آن جهت کار در آینده "

بلومبرگ گفت ، انگلیس بیش از پنج روز گذشته بدون سوختن زغال سنگ ، طولانی ترین طول بدون سوختن سوخت از زمان انقلاب صنعتی ، گذشته است. رکورد قبلی را از اوایل سال جاری ، در کل 90 ساعت می شکند.

اطلاعات شبکه در مورد بلومبرگ نشان داد که از ساعت 1 بعد از ظهر در لندن در تاریخ 1 مه ، هیچ زغال سنگی برای تولید برق توسط ایستگاه های انگلستان استفاده نشده است.

مگان گوس ، Ars Technica ، گفت: "بریتانیا رهبر باد دریایی است و همچنین نیروگاه های هسته ای و نیروگاه هایی با گاز طبیعی برای تأمین تقاضای برق دارد." Geuss همچنین خاطرنشان كرد: "شبكه ها در سرتاسر جهان تمایل دارند در بهار و پاییز به نقاط عطف كربن صفر برخورد كنند ، وقتی وزش باد زیاد است و نور روز همچنان فراوان است ، و مشتریان به دنبال برق زیادی برای نور و گرما (یا خنك) نیستند. خانه های آنها

Fintan Slye ، مدیر عامل سیستم بریتانیا در National Grid ، جهانی را به هدف بدون ذغال سنگ یادآوری کرد. "با افزایش تعداد انرژی های تجدید پذیر بیشتر و بیشتر بر روی سیستم انرژی ما ، اینگونه کارها بدون ذغال سنگ به عنوان یک اتفاق عادی اتفاق می افتد.

گاردین گفت: "تصور می شود سوزاندن ذغال سنگ برای تولید برق با جلوگیری از تغییر فاجعه آب و هوا ناسازگار است ."

با وجود داشتن یک بخش تولید نسبتاً کوچک ، سهم انگلستان در انتشار گازهای گلخانه ای بالاتر است ، وقتی که "میزان انتشار گازهای مصرفی" را حساب می کنید ، کمتر نیست. جان پورتر گفت که در The Verge . وی توضیح داد که این موارد شامل " تولید گازهای گلخانه ای ایجاد شده در ساخت و حمل و نقل واردات انگلیس" است.

گفته می شود دوره "بدون ذغال سنگ " به عنوان نقطه عطف "برای اولین بار از زمان ملکه ویکتوریا بر تخت سلطنت بود".

برایان کان در اتره یادآوری کرد که گاز طبیعی ممکن است پاک کننده زغال سنگ را بسوزاند ، اما "هنوز به سختی یک راه حل آب و هوا است زیرا دی اکسید کربن و متان را در فرآیندهای استخراج و سوختن آزاد می کند."

Geuss به طور مشابه خاطرنشان كرد كه گاز طبيعي ، گرچه هنوز يك سوخت فسيلي است ، اما در هنگام سوختن ، دي اكسيد كربن كمتري را نسبت به زغال سنگ در جو آزاد مي كند.

ایستاده زغال سنگ فراتر از انگلستان؟ کان گفت ، "انتقال به منابع تجدید پذیر در سال گذشته در سطح جهان متوقف شده است ، در حالی که" جهان در حال توسعه - به ویژه چین - همچنان به زغال سنگ به شبکه اضافه می کند. "

ویل وید ، بلومبرگ ، مقاله ای اندازه گیری عملکرد پمپ وکیوم را نوشت که چهارشنبه در واشنگتن پست منتشر شد . وی اظهار داشت: جهان هنوز به زغال سنگ معتاد است. این یکی از بزرگترین منابع انتشار کربن و محرک اصلی تغییرات آب و هوا است. اما همچنین بسیار فراوان ، حمل و نقل آسان و ذخیره سازی آن بسیار راحت است.

درست همانطور که کان گزارش داد که چگونه چین همچنان زغال سنگ را به شبکه اضافه می کند ، وید گزارش داد که "چین ، بزرگترین مصرف کننده زغال سنگ در جهان ، مصرف خود را از سال 2010 تا 2017 سه برابر کرد."

وی گفت ، در میان منابع انرژی جهان ، زغال سنگ رتبه دوم نفت را دارد. "در سطح تولید فعلی 150 سال دوام کافی دارد . چین ، هند و ژاپن بزرگترین واردکنندگان هستند. اندونزی ، استرالیا و روسیه بزرگترین صادر کننده ها هستند."

در میان گرما و گرما نیروگاه حرارتی Reuter در برلین ایستاده است درخشش درخشان است که به نظر نمی رسد در سالن ماشین های چند دهه قدیمی است.

لوله ها و گلدان های نقره ای آن حاوی ماده ای هستند که واتن فال ، اپراتور گیاه می گوید ، می تواند به یک ماده اصلی برای آینده ای بدون سوخت فسیلی تبدیل شود.

این شرکت انرژی به همراه یک استارتاپ سوئدی در حال آزمایش استفاده از نمک - هرچند که این نوع میز رایج نیست- برای ذخیره گرما ، که بیش از نیمی از انرژی مصرفی در آلمان را شامل می شود.

اگر به خوبی کار کند ، این سیستم می تواند به حل مشکل ناشی از منابع انرژی تجدید پذیر مانند باد و خورشیدی در سراسر جهان کمک کند: آنها غیر قابل اعتماد هستند ، به این معنی که بعضی اوقات آنها بیش از حد تولید می کنند ، و گاه انرژی بسیار کمی دارند.

هندریک روگلین ، که نظارت بر پروژه ذخیره نمک Vattenfall را دارد ، می گوید: "آلمان در حال حاضر به اندازه کافی ظرفیت انرژی تجدید پذیر نصب شده را تولید کرده است تا دو برابر نیاز خود تولید کند ، این فقط ثابت نیست." ابزار Rival E.ON اخیراً محاسبه کرده است که انرژی خورشیدی و باد تا 52 گیگاوات ساعت برق در ساعات اوج روز تابستان در روز دوشنبه عید پاک تولید می کنند. میزان مصرف انرژی آلمان در آن زمان فقط 49.5 گیگاوات ساعت بود.

Roeglin گفت: "با وجود بسیاری از امکانات مانند این ، از نظر تئوری نیازی به گاز یا دیگر پشتیبان گیری از سوخت های فسیلی نخواهید بود."

از بین بردن هسته ای ، ذغال سنگ و گاز یک اقدام بلند پروازانه برای یک کشور با صنعتی بسیار سنگین مانند آلمان است. دولت مهلت تعیین شده برای تعطیل کردن تمام نیروگاههای هسته ای کشور تا سال 2022 و متوقف کردن سوختن زغال سنگ برای برق تا سال 2038؛ گاز یک فناوری توقف فاصله خواهد بود تا زمانی که پیدا شود روشی که کاملاً به فناوری تجدیدپذیر متکی باشد ، تقریباً در اواسط قرن قرن.

این طرح که با عنوان Energiewende یا انتقال انرژی شناخته می شود ، از سوی دیگر کشورها در حال تماشای تلاش برای فهمیدن چگونگی مهار انتشار گازهای گلخانه ای و برآورده شدن توافق نامه اقلیمی پاریس است که هدف آن حفظ گرمایش جهانی به خوبی زیر 2 درجه سانتیگراد (3.6 فارنهایت) است. .

کارشناسان بر این باورند که طیف وسیعی از راه حلهای فناوری برای جایگزینی سوخت های فسیلی ، برخی از قبل موجود و برخی هنوز در مرحله آزمایشی ضروری است. خودروساز مستقر در کالیفرنیا تسلا در حال حاضر در استرالیا نشان داده است که می تواند سیستم های باتری لیتیوم یونی بزرگی را برای تثبیت شبکه های برق فراهم کند.

پرسنل در چهارشنبه 24 آوریل 2019 در یک مرکز آزمایشگاه ذخیره سازی حرارتی مبتنی بر نمک در نیروگاه حرارتی راتر برلین جستجو می کنند. این شرکت انرژی به همراه یک استارتاپ سوئدی ، در حال آزمایش استفاده از نمک برای ذخیره گرما است که حساب می کند. بیش از نیمی از انرژی مصرفی در آلمان. (عکس های AP / فرانک جوردان)
در نیروگاه Reuter در برلین ، که 600،000 خانوار در پایتخت را با گرما تأمین می کند ، این محلول اکنون شامل اکسید کلسیم است که به عنوان سریع آب نیز شناخته می شود. Vattenfall و SaltX راه اندازی سوئد از یک واکنش شیمیایی ساده استفاده می کنند که هنگام خیس شدن سریع آب رخ می دهد: دانه های نمکی مانند آب را خیس می کنند و به هیدروکسید کلسیم تبدیل می شوند و مقدار زیادی گرما را در این فرایند آزاد می کنند. با از بین بردن دوباره آب - فرایندی که با پخت تفاوتی ندارد - این ماده به اکسید کلسیم باز می گردد.

این فرایند در اصل آینه کاری از عملکرد باتری ها است ، مگر اینکه به جای برق ، سیستم گرما را ذخیره کند. SaltX می گوید برای جلوگیری از جمع شدن آن پس از چندین چرخه گرمایش و خنک کننده ، راهی برای پوشاندن سریع آهک با ذرات ریز (معروف به نانو پوشش) نیز به ثبت رسانده است.

روگلین می گوید این فرایند می تواند ده برابر بیشتر از آب را جذب کند ، که در حال حاضر برای تأسیسات انرژی به حرارت استفاده می شود. و برخلاف مخازن آب گرم ، که به مرور زمان خنک می شوند ، سیستم می تواند انرژی به دام افتاده شیمیایی را به مدت طولانی تری حفظ کند. به گرما احتیاج دارید؟ فقط آب اضافه کنید.

این پروژه آزمایشی در برلین در حال حاضر می تواند انرژی کافی را برای گرم کردن حدود 100 خانه بزرگ ذخیره کند. اما SaltX می گوید این تسهیلات به آسانی قابل افزایش است و گرمای هر یک از خانه ها یا دفاتر در حال حاضر متصل به سیستم گرمایش منطقه پایتخت را تأمین می کند. چنین شبکه هایی - از لوله هایی که آب گرم یا بخار از نیروگاه ها را به مصرف کنندگان می رسانند - در بسیاری از کشورهای اروپایی ، کانادا ، ایالات متحده ، ژاپن و چین وجود دارد.

بیشتر بخوانید: پمپ انتقال نیرو وکیوم

کای هوفندیک ، اقتصاددان انرژی در دانشگاه اشتوتگارت ، گفت: "امتحان کردن این کار کاملاً منطقی است زیرا ذخیره انرژی یک گام بسیار مهم در آینده است."

هوفندیک ، که درگیر این پروژه نیست ، گفت اگر سیستم می تواند درجه حرارت بالاتر از 500 درجه سانتیگراد را تولید کند - همانطور که SaltX ادعا می کند - این امر باعث می شود که این امر برای کاربردهای صنعتی مانند فرآوری مواد غذایی نیز جالب باشد.

SaltX همچنین متذكر می شود كه اكسید كلسیم كه در حال حاضر در فنلاند استخراج می شود ، می تواند با خیال راحت بازیافت شود و به برخی از فن آوری های باتری كه از مواد نادر یا سمی استفاده می كنند ، می توان اطمینان خاطر داد.

سیمون Ahlin ، نماینده SaltX در بازدید از این مرکز گفت: "اگر آرزوی شما این است که در طی یک نسل عاری از فسیل باشید ، باید گزینه های مختلفی را برای رسیدن به آن در نظر بگیرید." "این یک راه حل است که در یک بازه زمانی کوتاه در دسترس است."

مهندس روگلین تا پایان سال منتظر است تا ببیند که چگونه آزمایش از این تست خارج می شود. وی گفت: "این ممکن است بخشی از معما باشد."

اگر دوست ندارید که از طریق فروشگاه های جعبه بزرگ سرگردانی کنید و سعی کنید مبلمان مورد نیاز خود را پیدا کنید و سپس برای جمع آوری آن تلاش کنید ، محققان راه حل پیشنهادی ارائه داده اند: نرم افزاری هوشمند که به شما در طراحی مبلمان شخصی شما کمک می کند ، مفاصل 3 بعدی را چاپ کنید و کل ساختار را در خانه جمع کنید.

کارتیک رمانی ، دونالد دبلیو فدرسن ، استاد مهندسی مکانیک ، گفت: "این کار دلالت بر تغییر نحوه عملکرد زنجیره تأمین دارد." "ابزاری مانند این ، مصرف کنندگان را به تولیدکننده تبدیل می کند."

محققان این ابزار را با عنوان "سازه سازنده شکل" در کنفرانس ACM CHI 2019 در مورد عوامل انسانی در سیستم های محاسباتی در گلاسکو اسکاتلند در روز دوشنبه (6 مه) ارائه دادند.

یک مشکل وجود دارد: صنایع برای چنین ابزاری - روشی برای برداشتن قطعات تا 3 بعدی طرح های خود را چاپ کنید یا اینکه قطعات برای شما ارسال شود - هنوز وجود ندارد.

رامانی گفت: "ما هنوز نمی دانیم ایده هایی که ما نشان داده ایم چه موقع در دسترس کاربران قرار خواهد گرفت. اما ما یک راه را نشان داده ایم که یک ابزار می تواند به جای روش دیگر به کاربر سازگار باشد." "این امر می تواند تولید را بومی سازی کرده و مراحل خسته کننده ای را بین طراحی و ساختگی قطع کند."

Shape Structuralizer یک قدم به سوی ایجاد این صنایع است با ساختن ساختار " متن باز " ، همانطور که اپل بسترهایی را برای هر کسی فراهم می کند تا برنامه هایی را ایجاد کند ، یا اینکه چگونه تسلا اختراعات خود را بر روی فن آوری اتومبیل های برقی آزادانه در دسترس عموم قرار داد.

اعتبار: دانشگاه پوردو
فناوری منبع باز با روند به اصطلاح "حرکت سازنده" رو به رو بوده است ، که در آن افراد خدمات و محصولات خود را طراحی یا اختراع می کنند.

آزمایشگاه طراحی پمپ وکیوم C Ramani's بر روی راه های اتصال جنبش سازنده به تولید کار می کند. تیم وی الگوریتم هایی را توسعه می دهد که قابلیت استفاده و کارآیی در طراحی اشیاء پرینت 3 بعدی را افزایش می دهد ، مانند ابزاری برای ساخت سازه های ساخته شده از مقوا یا سکو که یک چاپگر 3 بعدی است.

ابزارهای فعلی برای طراحی و تجزیه و تحلیل ساختار ، مانند طراحی به کمک رایانه (CAD) و تجزیه و تحلیل عناصر محدود (FEA) ، برای استفاده به دانش و آموزش زیادی نیاز دارند. آنها همچنین به کسی که سوابق مهندسی یا معماری نداشته باشد ، کمک داخلی ساخته اند. این امر آزمایشگاه رامانی را به وجود آورد تا شکل سازه ساز را ایجاد کند.

با استفاده از Shape Structuralizer ، ابتدا کاربر یک شکل را در برنامه اسکن یا وارد می کند. سپس ابزار راهنما و اعتبارسنجی طراحی را انجام می دهد ، به طور خودکار وزن یا نیروهایی را که می تواند در هر قسمت از ساختار بکار گیرد ، تخمین می زند ، طرح های جایگزین را رتبه بندی می کند و اندازه اتصالات را در یک داربست از آنچه که به یک ساختار کامل تبدیل می شود محاسبه می کند.

محققان دریافتند که شرکت کنندگان در مطالعه که تجربه کمی در زمینه طراحی و ساخت دارند هنوز می توانند در کمتر از 35 دقیقه یک شی ساختاری سالم مانند قفسه کتاب با اتصالات چاپی 3 بعدی بسازند.

کسی که هیچ طراحی ساختاری و یا تجربه ساختگی نداشته باشد می تواند با استفاده از ابزاری که توسط محققان Purdue ساخته شده است ، شکل دیگری مانند WALL-E دیزنی ایجاد کند. (تصویر دانشگاه پوردو / Chidambaram Subramanian
Ramani گفت: "این مانند گوگل است که براساس آنچه می نویسید ، آنچه را که می خواهید جستجو کنید حدس می زند. شکل سازه ساز حدس می زند که قصد دارید بر اساس شکلی که وارد کردید و نحوه کار در این برنامه را طراحی کنید."
این ابزارها در حالی که قصد دارند چاپ و طراحی ساختار سه بعدی را در دسترس عموم قرار دهند ، این گردش کار را برای کسانی که مایل به تخصص در طراحی و ساخت هستند نیز ساده می کنند. به عنوان مثال ، سازه سازنده شکل ، تخصص چندین زمینه را در یک سیستم واحد ترکیب می کند که باعث می شود طراحی مبلمان سریعتر و کارآمدتر شود.

رامانی گفت: "ما می خواهیم به هر کسی قدرت دهیم كه ساختارها را طراحی كند - و از صحت ساختاری آنها اطمینان حاصل كند."

چه چیزی می تواند مانند پرنده پرواز کند و مانند حشره شناور شود؟

مزاحمت های دوستانه محله شما. اگر هواپیماهای بدون سرنشین دارای این دسته کوچک موسیقی جاز باشند ، آنها می توانند از طریق ساختمانهای متلاشی و سایر فضاهای درهم ریخته بهتر مانور پیدا کنند تا قربانیان به دام افتاده را پیدا کنند.

محققان دانشگاه پوردو رباتهای پرنده ای را طراحی کرده اند که مانند مومیایی رفتار می کنند ، که توسط الگوریتم های یادگیری ماشین مبتنی بر تکنیک های مختلفی که پرنده به طور طبیعی هر روز آموزش می دهد ، مهندسی شده اند.

این بدان معنی است که پس از یادگیری از شبیه سازی ، ربات "می داند" که چگونه می تواند به تنهایی حرکت کند و مانند یک ماسه کوه ، مانند تشخیص زمان اجرای مانور فرار از آن استفاده کند.

هوش مصنوعی ، همراه با بالهای فلپ انعطاف پذیر ، به ربات نیز امکان می دهد ترفندهای جدیدی را آموزش دهد. حتی اگر روبات هنوز نتواند ببیند ، با لمس کردن سطوح حس می کند. هر لمسی جریان الکتریکی را تغییر می دهد ، که محققان فهمیدند که می توانند ردیابی کنند.

"این روبات اساساً می تواند بدون دیدن محیط اطراف خود نقشه ایجاد کند. این می تواند در شرایطی مفید باشد که روبات در مکانی تاریک به دنبال قربانیان باشد." ببینید ، "گفت:" شینین دنگ ، استادیار مهندسی مکانیک در پوردو.

محققان کار خود را در تاریخ 20 ماه مه در کنفرانس بین المللی IEEE 2019 در زمینه رباتیک و اتوماسیون در مونترال ارائه می دهند.

به دلیل کارکرد آیرودینامیک معمولی ، هواپیماهای بدون سرنشین نمی توانند بی نهایت کوچکتر شوند. آنها قادر به ایجاد آسانسور کافی برای پشتیبانی از وزن خود نخواهند بود.

اما پرچمداران از آیرودینامیک معمولی استفاده نمی کنند و بال آنها انعطاف پذیر است. ؛ "آیرودینامیک ذاتا ناپایدار، با زوایای بالای حمله و آسانسور بالا این باعث می شود آن را برای کوچکتر ممکن است، پرواز حیوانات وجود داشته باشد، و همچنین ممکن است برای ما به مقیاس پایین زدن فیزیک به سادگی متفاوت است. بال دنگ گفت، روبات".

محققان سالها تلاش کرده اند پرواز رمزنگاری را رمزگشایی کنند تا روبات ها بتوانند در جایی پرواز کنند که هواپیماهای بزرگتر نتوانند. در سال 2011 ، شرکت AeroVironment ، به سفارش DARPA ، یک نمایندگی در وزارت دفاع ایالات متحده ، با استفاده از کنترل های پرواز مانند هلیکوپتر و قدرت مانور محدود ، یک مومیایی روباتیک ساخت که سنگین تر از یک واقعی اما نه به همان سرعتی باشد. این نیاز به یک انسان داشت که همیشه در پشت کنترل از راه دور باشد.

گروه دنگ و همكارانش خود را برای چندین تابستان در مونتانا مورد مطالعه قرار دادند. آنها مانورهای كلنجی كلیدی ، مانند ایجاد چرخش سریع 180 درجه را ثبت كردند ، و آنها را به الگوریتم های رایانه ای ترجمه كردند كه ربات هنگام اتصال به یك شبیه سازی ، می توانست از آنها بیاموزد.

مطالعه بیشتر در مورد فیزیک حشرات و زوزه خواران به محققان Purdue اجازه ساخت روبات هایی کوچکتر از مومیایی - و حتی به اندازه حشرات - بدون ایجاد خطر پرواز آنها را ایجاد می کند. دنگ می گوید هرچه اندازه آن کوچکتر باشد ، فرکانس بال زدن بال بیشتر می شود ، و بیشتر پرواز می کنند.

این مومن رباتیک به خودی خود پرواز می کند در حالی که به یک منبع انرژی متصل می شود ، اما به زودی باتری ها تغذیه می شوند. اعتبار: فیلم دانشگاه پوردو / آزمایشگاه بیو رباتیک
روبات ها دارای بدنه های پرینت 3 بعدی ، بال هایی از جنس فیبر کربن و غشاهای برش لیزری هستند. محققان یک ربات چمن زن را ساخته اند که وزن آن 12 گرم است - وزن متوسط یک موش بزرگ بزرگسال بزرگ و یک ربات دیگر به اندازه حشره به وزن 1 گرم. این روبات hummingbird می تواند بیش از وزن خود ، تا 27 گرم وزن خود را بالا ببرد.

طراحی روبات های خود با بالابر بالاتر ، به اتاق پژوهشگران امکان جابجایی بیشتری را می دهد تا درنهایت باتری و فناوری سنجش مانند دوربین یا GPS اضافه شوند. در حال حاضر ، این روبات باید در هنگام پرواز ، به منبع انرژی متصل شود ، اما محققان می گویند که این مدت طولانی بیشتر نخواهد بود.

روبات ها می توانند به سادگی پرواز کنند همانطور که یک موی چتری واقعی انجام می دهد ، و آنها را برای انجام عملیات پنهانی ایده آل می کند. و آنها در اثر تلاطم ، که محققان با آزمایش بالهای مقیاس پویا در یک مخزن نفت ، ثابت کردند ، پایدار می مانند.

این روبات فقط به دو موتور نیاز دارد و می تواند هر بال را به طور مستقل از دیگری کنترل کند ، به این ترتیب حیوانات پرواز می توانند مانورهای بسیار چابکی را در طبیعت انجام دهند.

دنگ گفت: "یک موتوری واقعی دارای چندین گروه عضله برای انجام سکته مغزی قدرت و فرمان است ، اما یک روبات باید تا حد امکان سبک باشد ، به طوری که شما حداکثر عملکرد را با حداقل وزن داشته باشید."

مومیایی روباتیک نه تنها به ماموریت های جستجو و نجات کمک نمی کند بلکه به زیست شناسان نیز اجازه می دهد تا با اطمینان یک ربات واقع بینانه ، زرشک ها را در محیط طبیعی خود مطالعه کنند.

دنگ گفت: "ما از زیست شناسی یاد گرفتیم که ربات را بسازیم و اکنون اکتشافات بیولوژیکی می توانند با کمک اضافی از روبات ها اتفاق بیفتند."